faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

' ]+ G6 x% k- [6 ]$ |+ B9 F& X2 ?% ^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 ]; T( R7 s& t6 @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。
( D& Q6 n; f( v" v( |+ 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。
$ y! ^, p1 s8 y8 v: @4 I  z----------------------------------------
# L( ?8 n8 b; d0 P+ B/ W3 Thttps://github.com/guillaumekln/faster-whisper
安装如下：
3 R4 }8 F" ~' I  _1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
- @8 a) j' s  ?2 Z9 f. [/ A4, 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。
6 u+ }! M$ M4 E1 P5，pip install -U openai-whisper
2 t( b1 Y9 A* N* u. q# o$ c, G这是向whisper 致敬，可以不装
6，pip install faster-whisper
3 M- C7 n/ `6 X/ o% Y- L7 b----------------------------------------
8 @9 f- q! }' S$ b$ t/ _whisper 我用的命令行，faster-whisper 我用的是python。
1 A: A4 U' @& Q$ }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：

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

+ [; ~$ ?  a2 m4 e! zfrom faster_whisper import WhisperModel
" i/ V: A6 x2 f
model_size = "small"

' C2 s# x( R/ @, o/ T, _) a! Dmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
9 I7 K+ G# d+ F9 I2 F    sourceFileName,
) G& y1 V$ |$ W# g    beam_size=5,
    language="en",
    task="transcribe",
" Z. c& j( z0 N/ W* L    word_timestamps=True,
6 ~0 C  P! @' s3 }# ?! ]    initial_prompt = "Hello, welcome to my lecture.")
3 z- ~/ t! M  O. t, _: H; t0 G0 E
+ W! l8 L+ N2 ?for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
  ?" f5 q4 r* N8 p3 X. A----------------------------------------

代码说明：
& @9 L% }) K  r5 z1，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。
' j% M4 T1 y! {' \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，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
* u) U; ~. J) Y比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
) i, m$ e4 _- N5，model.transcribe 中参数说明：
8 O5 l  a( A" y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
( J* a3 d" i7 A! T    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。
3 l+ t$ ]9 Q' s5 G! ?: {其他参数可参考源文件：
6 Z4 R2 {+ t" m. W7 ?3 thttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

; x  [1 t. I. X/ O' {, c6，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。
* F% i( W7 K, 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。
/ i8 u9 c# m' r  H$ O


5 {4 U) K  V* m! A0 Q7 k9 k

nanimarcus

多谢各位榜爷打赏。