faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

/ }1 _( n0 T: O# `
- ?8 L8 W  @1 v: x# V借着 chatGPT 这股热潮研究了一下 Whisper，学名叫 automatic speech recognition (ASR) ，就是转换声音到文字的。
: K+ Y7 E( G0 ?" |' H; v效果我是很满意的，唯一不满的是速度，在六年前的主流显卡上基本上是一倍速，基本上只用在自己特别喜欢的媒体文件上了。
6 J8 `' p3 E5 I0 e* L----------------------------------------
. y' T/ e3 F% w! @, z8 j显然不满意的不是我一个，活雷锋很快就出来了，名字很谦虚也很霸气 faster-whisper。
  v7 S8 r% p: t! `/ T5 |7 N在六年前主力显卡3G内存上，model small，能跑到12倍速，这个是相当满意了。
& a+ }" t" v, l/ }----------------------------------------
5 c" N; M4 W/ Khttps://github.com/guillaumekln/faster-whisper
安装如下：
6 W8 m* B7 U' Y9 x; g  R. ]1 G0 O1, Windows 10
* {$ E; L4 e4 q* H) X( Z; T6 B4 c( j1 z2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
4 r$ j" F# D! I* m9 gpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
这一步最后一个安装文件 cu117-cp310-cp310-win_amd64.whl 大小2343.6 MB，如果没显示，你得检查一下你的环境。
6 k( M% l6 S8 ^8 L5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
  \+ d6 @3 d; L& i, A: A5 H9 p----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
- O- E" f/ w) B4 ?6 @% |" x) x下面给出了部分参考代码，根据主页上的参考代码我做了修改，但这个不是能运行的代码：

% w- h8 u4 P- k+ @! \8 w----------------------------------------

from faster_whisper import WhisperModel

" d' k$ K, a2 }0 l, nmodel_size = "small"
+ j9 f  A6 ^, m% Z* m0 v
0 Z: T, q1 B8 E$ v! n0 wmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
- W. k# \  F. z
/ q/ n* g, N) psegments, info = model.transcribe(
* E0 h! `2 P5 m! x$ w    sourceFileName,
2 z1 s) w, i% u9 n' E; `    beam_size=5,
' \! B( o! |- W$ `3 l% e    language="en",
    task="transcribe",
. o6 I# J$ w, b6 t- R/ s    word_timestamps=True,
9 w, y( o& N' ^/ U7 l    initial_prompt = "Hello, welcome to my lecture.")

" d" ?  a5 ?0 c- B. N: t; Y/ Cfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
1 [0 }/ g9 X' y9 l& w               
( }6 u1 p- r' _: L----------------------------------------
) [8 O/ F+ ?, f
* d+ F# @) E% k, q, g+ h* e% f代码说明：
1，model.transcribe 只是建立了模型，并没有运行，运行 是从 for segment in segments: 这一句开始的。
8 A6 o0 |6 [" b; X! P但是这一步很重要（废话），我的程序有时候会无征兆退出就是在这一步，没有任何错误信息，倒是Windows 侦测到，但也没给出有意义的信息。
( k& N/ `% y! V1 T2，segment 本身是很粗糙的，做字幕勉强能用。
3，word 才是真正的精确控制的，本身带时间轴，所以要做比较好的字幕，必须用到word。
8 U$ u" y3 H1 ^6 a4，word 里面是包含标点符号的，也就是说标点符号不是独立的，是附着在前一个word中
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
5，model.transcribe 中参数说明：
你要是对 whisper 的参数有所了解的话，基本上这些参数就是对应whisper 的参数
5 C3 m" F+ k1 x" h, C8 h" [其中
& r& T( ?) k9 S: P( A: H6 C4 N    word_timestamps=True,
6 A) R+ i( G% E6 g! E保证了你能拿到 word，否则是拿不到的
; z* A+ Q2 K( F+ r0 p    initial_prompt = "Hello, welcome to my lecture.")
保证能尽可能准确的断句 punctuation，但是不是决定性的。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
  s% F0 ?/ y2 J3 r# G0 k从源文件你可以看到是支持中文的句号断句的。
+ `7 h: m  v  E5 t
6，如果要尽可能准确的 punctuation，根本办法是用比较大的模型 medium，或者更大。
7，我自己观察一个小时之内可以保证断句准确，再长就很可能不行，所以我的办法是切割文件到一个小时，识别后再聚合，效果不错。
+ U3 a- R5 y# [: K* e$ y8，faster-whisper 会上传一些信息，检测到不停的使用网络，曾经有一次代码出错就是访问网络，你要是有洁癖就把网络暂时给关了。
. A3 g8 R0 ?% m6 S, f' }4 R& V: q

nanimarcus

多谢各位榜爷打赏。