faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

, O( N# |$ Q) h2 b: ?: p" e3 B
: h# Q! o; w% N- @" z- u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。
6 f/ u; a  `5 m) X----------------------------------------
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。
) ?9 `4 P% @: m/ d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
安装如下：
1, Windows 10
! f2 i7 X) g  e  t: z% H! g2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
8 U% A! ~1 p4 V9 G+ V: Y3 i) tpip 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
. T# Z  h& M$ J3 L$ d5 n5 U这是向whisper 致敬，可以不装
0 B$ j  c4 }! K5 O6，pip install faster-whisper
: H2 t% j7 W1 g! M) y6 x----------------------------------------
9 z1 P1 N/ m0 |, ~: x) b( p% 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：
) l) Z  f# E3 p; s
% [, ~5 j" y- e( ^' I6 T0 n' ~----------------------------------------

! ~- N  Z& e4 V0 y) ]from faster_whisper import WhisperModel

* U  |4 U* J. v7 L0 \  ~4 omodel_size = "small"
' Q* ~$ c3 D% ^
model = WhisperModel(model_size, device="cuda", compute_type="int8")

. v8 p% o' N9 u# Asegments, info = model.transcribe(
- _6 S6 b+ y  p) {    sourceFileName,
    beam_size=5,
    language="en",
! R2 W8 h2 R. H0 d5 _' t) l5 d+ f4 N    task="transcribe",
: S6 M4 J1 S( `! b( A    word_timestamps=True,
3 n1 O( l% S- ^# |    initial_prompt = "Hello, welcome to my lecture.")
7 f3 O% V: H7 p) G9 a
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
% _. C& y; S) p& R----------------------------------------
/ e- i  M2 ]3 T
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。
9 l  }% R1 b* C6 Z) P. ^1 j2，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。
4 L3 @. B" O# j# M! \4，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
  J0 }. j) o3 F% n0 Y8 t6 B  f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：
& I; K. a/ B4 N6 k" f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
, f* x$ h2 a8 l- c0 g0 T" }    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
# b  n7 c6 k+ h- `+ ^7 s    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。
& g! \% b* F% H9 ]; j/ `$ y其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
3 N$ P; g7 Q7 m; {% d/ d2 _$ w152 def transcribe(
0 z  Z  o. v7 {( t从源文件你可以看到是支持中文的句号断句的。

. V6 b1 T* }+ Q4 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。
) f7 X- s' V: r: }% f7，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。
9 M. G5 t/ h# ^0 _

' u; |& g! ^& r' ]& Z3 N

nanimarcus

多谢各位榜爷打赏。