faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 S; P& F% b" R3 |
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。
# D- M% m: V' f& v. l) X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 ?+ d- j' M, ^- R6 P----------------------------------------
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。
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。
3 g# C  h5 t1 m0 V----------------------------------------
https://github.com/guillaumekln/faster-whisper
& Q1 M8 e+ _& k  E; u* x5 r安装如下：
1, Windows 10
, Y2 F3 o! O1 _+ r  r9 M0 {2, Python 3.10.11
. |# P3 o% m6 v* ?; o  H3, CUDA 12.1
3 {. W1 v, G) k% }# v4, 在python 3 中安装
( ]& G0 m! C' }. _+ ~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。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
1 `, u0 ^4 u$ T1 Q& n----------------------------------------
whisper 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：

----------------------------------------

! `& c, U+ E7 a' r8 Q# P) d& Dfrom faster_whisper import WhisperModel
) c. o+ t$ C2 V) f. \6 _+ j
model_size = "small"
+ m" J. A5 Z- e! P! A; Q
$ ^8 q& N2 S% J; e5 Nmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
) B7 V6 {& A: Y5 a2 ~5 O
segments, info = model.transcribe(
- p6 ~1 K# u( H8 ]* k6 {# R    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

' {# W' P5 z7 ~" efor segment in segments:
: ^- x8 `  N/ a- |( l    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
7 N0 S/ a0 w0 o0 F& p               
----------------------------------------
5 _* c0 n* B) U3 y% ^
8 ^' O6 E% s4 P5 D9 }4 s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。
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。
* M1 t/ A* K. S" p; P( Q3 G4，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
# a) ^6 K6 a. O: P6 K比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
: ~7 D& L6 o- y0 B; O5，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
6 s1 b6 d# ~9 C7 E9 T1 E& J' n其中
& m' W. O$ g; d7 _    word_timestamps=True,
$ j2 ]/ H, G$ W2 e( z2 @保证了你能拿到 word，否则是拿不到的
/ C  Q/ {! a% p1 N    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。
" @) k4 l$ H* z& |/ a其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
6 m$ U9 `2 _+ G# m152 def transcribe(
- w7 s9 B7 Q) ?5 I4 N  P从源文件你可以看到是支持中文的句号断句的。
/ J4 P% T7 H) I/ b8 m
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。
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。
# |# D- n6 @2 q; ^0 @) q% {
$ T- P9 O8 r. Y; t  A

nanimarcus

多谢各位榜爷打赏。