faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

/ b2 x& O/ ?% d2 Z" W& E' [
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。
0 a- x+ I( R5 U& F7 r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。
----------------------------------------
# h$ }) p3 ~8 C( P; b9 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。
1 i8 M6 _# x- e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。
" w5 N4 N  I& I5 m5 W----------------------------------------
https://github.com/guillaumekln/faster-whisper
) P+ a5 L, \4 n% i安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
5 `  Q, `& b0 l) K$ `0 O7 {4 Bpip 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 ?0 A1 w0 Z+ t2 n这是向whisper 致敬，可以不装
3 }6 i3 n+ s7 R: G5 j, T* C6，pip install faster-whisper
8 D0 M: h9 ~7 Q: K& |8 u----------------------------------------
! }$ D7 d) q. Nwhisper 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：
4 l" |8 b4 \* v1 @. ~
+ D3 R3 T; Y7 o  t----------------------------------------
! a3 @6 q3 \# J- Z4 K( h, _) Y8 k
from faster_whisper import WhisperModel

model_size = "small"
9 K. p7 k1 z& B, x$ j0 o, I+ B
- Q( B, b) N* P9 y6 T' lmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

9 [% ^3 L4 ^& \0 `segments, info = model.transcribe(
    sourceFileName,
  s0 Q2 h6 L+ m% L8 U. Q    beam_size=5,
0 H, b0 ~5 e. c/ B7 [0 ?9 V, ^& U    language="en",
7 o' R8 E2 H7 |0 N( N    task="transcribe",
    word_timestamps=True,
& y, Q: o& |! ~# Q0 L" r! L- y3 b& M    initial_prompt = "Hello, welcome to my lecture.")
& O* C" Q7 \$ G
# s2 W, C& r( Z: L5 Xfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
8 T' N/ F$ Y9 G, x$ ~
7 `: |; C% R9 A% x3 G  Y+ U        for word in segment.words:
               
----------------------------------------
9 D- R3 [! S# ?/ J- N- Q* _
代码说明：
( K' }6 ]! U- P* s4 I& n1，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( O  Z0 c( p5 k& H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。
6 @" G% U8 A! Z2，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。
: W% o+ z7 A7 ]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
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：
4 X) C5 y2 l7 H8 e3 J5 L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
* Y+ a  i2 p) D$ J    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。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
/ y  m/ `/ Z4 A1 i从源文件你可以看到是支持中文的句号断句的。

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。
% T! e! f) n9 \1 t8，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。
$ t8 l- c1 C6 Y4 D# N4 Q

/ e" `0 }' Q' r! a

nanimarcus

多谢各位榜爷打赏。