faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

  M! `  ]& d% W  n( H: ~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。
- K% Q- q2 ?' c" q1 J7 m----------------------------------------
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。
) L- ?  K9 a7 _+ m/ D! N+ H5 j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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
7 q6 t  n2 y( r; {. a安装如下：
1, Windows 10
2, Python 3.10.11
( [; @2 N- X* ~3, CUDA 12.1
4, 在python 3 中安装
: A) }6 R2 g; z4 p! t* |4 n- d% j' Mpip 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。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
) P& h- W0 O, ?; [) g# e4 ~----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
4 G+ q9 i3 a  N. H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：
9 E; D+ Y4 e4 s: A' ?3 L0 m7 ^2 u, G
----------------------------------------

- w+ M, |6 j0 N! K1 D6 B' q3 xfrom faster_whisper import WhisperModel
8 ~, E3 E, J* @' t1 I- t
model_size = "small"

9 t# N. h& Q6 x8 K+ x7 A  k+ Xmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
4 \5 S( O2 D* W# v, N9 q
. I2 I; d* N1 osegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
1 X. R+ d! }/ }4 f# h; w% c/ N( {    language="en",
    task="transcribe",
. }! A& n) ~) V# _    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
, s1 o0 U# V  w7 m
- ?- ^; N  c% `; i# Q, @# K9 E, h2 Mfor segment in segments:
* J! {0 d8 Z7 {7 m0 D$ W3 M    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
/ h3 j& S) K  R$ U3 y
        for word in segment.words:
. E- Z3 U) Q0 K  C6 r& E6 I* I               
----------------------------------------

' R# m' O8 K* ^/ T+ N4 E# `代码说明：
. M8 e  X/ X; ?* K3 m/ z8 b" X1，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。
% M. X" E( `) p: a4 @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。
2，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。
9 b; ^; `4 M* u' m- I1 _, H, b7 c4，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
2 C# Q: M7 Q0 ?6 d9 g其中
+ H; I, g+ X) v    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    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。
' F& R" f" N8 I& R9 j5 y2 j1 C5 B其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
+ j) x0 X+ ^% d7 i152 def transcribe(
- ?" D5 ?; p/ b  Q从源文件你可以看到是支持中文的句号断句的。
- N  z- v3 y6 q" f* ^) k+ X
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。
: ^! \! x4 F9 M+ L3 h. v0 u7，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。
  M7 g1 R' Z( b1 o; _% S8，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。

! D6 ~2 g8 K" f$ U

. u* I0 G' U6 l" i5 x7 z0 P

nanimarcus

多谢各位榜爷打赏。