faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
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。
5 l; Q$ B) G( d& v----------------------------------------
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。
) |: F* X6 _  q$ m, {& R$ 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。
9 [/ G' U$ [5 M; d----------------------------------------
( Q! D* a6 n( [% K0 Ghttps://github.com/guillaumekln/faster-whisper
, e' C5 z4 Y! D9 }2 s5 |安装如下：
1, Windows 10
6 Z" Y$ t% k' V8 r2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
pip 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。
1 Z  {% @) t) P0 s5，pip install -U openai-whisper
8 \, c0 J! c5 t+ U这是向whisper 致敬，可以不装
6，pip install faster-whisper
+ {  F. w# f- x* A5 ^2 W5 @0 E----------------------------------------
1 \9 e6 s0 X+ r. E; A" p% I" Dwhisper 我用的命令行，faster-whisper 我用的是python。
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：

* C5 a# r* |' ~: o1 I----------------------------------------

" i6 m3 l. M0 A3 G+ s/ M( hfrom faster_whisper import WhisperModel
1 J4 |5 b1 ^8 R) a" `/ j0 @5 Z8 S% o
- d7 i4 @8 G  x: n2 f, K7 smodel_size = "small"

9 i5 u- B+ r% umodel = WhisperModel(model_size, device="cuda", compute_type="int8")
* j. {+ @: y) R# M
/ t9 m/ b3 S2 T* I# I! |; g( vsegments, info = model.transcribe(
    sourceFileName,
8 u6 [* T- w- Z# l+ I8 x    beam_size=5,
9 w9 K5 N7 z) g4 i* A    language="en",
; j/ L. S7 U$ Y/ ^7 V  v: K    task="transcribe",
' n5 D% f) R9 l8 K8 @: J) k    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

. T4 j& I8 _! R7 W  R+ N8 D1 j/ ~for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
. P, `! {7 n- c& F8 e
        for word in segment.words:
' ^- d4 X" l  o               
----------------------------------------

8 c1 \; Z- V- ~. x5 D) B* |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。
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。
% {( n( [; q7 f+ {) O2，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。
% G/ Q0 M" [! k( D5 D3 T3 W9 S  i4，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
其中
$ k% Q# G) v! o    word_timestamps=True,
1 Y) `, d2 f; V保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
, K5 p4 W! V/ n$ G. O# A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：
" _' C0 Y$ ^( t) G; }# O% ?https://github.com/guillaumekln/ ... isper/transcribe.py
; \* V" w& N' X) E. ]4 j152 def transcribe(
7 @8 H+ m" y3 b4 t从源文件你可以看到是支持中文的句号断句的。
3 Z" }; l& W* ?; T/ I4 i3 d8 L
# E* {. C4 W1 O# `  H6，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。
- [! i) ^0 J  k( J+ }" ?* \" B( K7，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。
8，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。

& n0 }( Z$ Q5 j# n
3 M  t5 }, f4 K+ c

nanimarcus

多谢各位榜爷打赏。