faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 r/ f4 J" t$ Q% d4 U! M1 I" `
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。
----------------------------------------
2 F. e" T5 z# m' ^; H; g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。
: n3 O; q/ ^" x, K" [, U----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
- s! N, l# l* z/ t4, 在python 3 中安装
, ]3 M& e2 b/ D/ X4 r7 c, 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
- ^5 {" e% y) M9 M" _5 ~这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
8 i' B( n3 S* y7 B8 L  ?* d" e0 [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：
$ A  _& J* Z, D; ~, @) u( W
3 _% T' @4 V& M( [8 x----------------------------------------
, S8 H- q# |. f7 a! C8 z( W
8 x! c) z1 x  \3 T3 R* }from faster_whisper import WhisperModel

model_size = "small"
  j. I" }3 A/ f2 I
- D- i" b; o9 T) K) N+ Mmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
4 q0 R0 M" D+ g0 k+ u- s5 G2 t
) {; j& c- z; i3 ~3 v: x+ g* Bsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
* l2 s. `% n, R; \/ @+ G/ K    language="en",
2 _% L, ]& N; t5 I" o    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
9 X4 s5 \9 j0 S; B5 [0 S( x* ~    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
" n( C# ]; o$ V5 Y; z
        for word in segment.words:
: }) U! _" H0 Q               
4 P$ E8 e4 B: d5 c----------------------------------------

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。
1 r3 Q* ?5 K3 H# ~! V2 x1 w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。
* o9 |2 n) G: a" ~  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。
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# R) G, n5 z; S+ o8 P1 P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
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
8 G' h8 _6 @, L3 c    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。
; P; M1 o3 `7 c/ \2 N其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
3 e7 {* v' _' a6 h' ^! E8 d152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
9 R' O4 R# C0 v+ j" F' j6 v
# {/ D% x% Z2 V( C5 Q. g6，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。
2 q  [1 \6 N, |0 P, L4 V7，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。
1 F  e2 G6 Z5 p/ F2 \
" c. z5 f# z2 M$ c2 G
. b* A6 P4 F2 L% u4 {

nanimarcus

多谢各位榜爷打赏。