faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
8 i' q4 [7 ^  e1 o9 t----------------------------------------
& }" Q4 r1 R& `! T% u2 S0 j. d# t2 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。
/ x: W/ ~- J6 {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。
6 R* O9 k2 p6 Y, J$ I4 u----------------------------------------
9 I0 A! m. ?2 u: _, Ohttps://github.com/guillaumekln/faster-whisper
: l( M0 \, B- O2 |+ X安装如下：
, `# `7 K. t* N! X; N% j" m1, Windows 10
  P" A0 U: v$ f+ F' k& M' L2, Python 3.10.11
9 U- u9 F0 ~3 w+ U3, CUDA 12.1
8 d8 x' a5 u5 n6 u$ V& B; K+ }. 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。
5，pip install -U openai-whisper
; e" I1 m* `8 n6 ]% J这是向whisper 致敬，可以不装
! T9 K/ T7 I% t) b4 t7 `5 Z6，pip install faster-whisper
----------------------------------------
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：

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

; O2 w+ J& I8 x+ [4 K% vfrom faster_whisper import WhisperModel
5 ]; U( Z) \( A3 N$ [! y
* X  c9 |  X2 C) o6 t$ @" imodel_size = "small"
" t5 ^# |" i, n" p
model = WhisperModel(model_size, device="cuda", compute_type="int8")
' f+ d1 Q0 i; N; V, R/ n+ @8 A
, D6 z6 a' ?+ d2 y  osegments, info = model.transcribe(
0 S. M% ], j( m0 k( C1 V    sourceFileName,
8 }& k7 ?9 M1 D; x8 A3 z    beam_size=5,
    language="en",
5 I; K% `" j7 J5 H4 b8 t" B; h+ {    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
9 {( C4 c( T) V& [0 [3 u    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

1 v8 _9 R3 }' A' N+ ^; ?! ^        for word in segment.words:
, l# t; S3 m, C7 @# \7 u               
5 P: M) d) o5 V; q& |----------------------------------------

' a9 }7 X* W$ b  z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 o; Q3 b, H& Q% r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 N5 d5 t6 L2 o6 \+ H: k. W: h. s+ L2，segment 本身是很粗糙的，做字幕勉强能用。
: \/ P) ?, Y* C; X, \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
2 Y# a$ l& V# E/ |; c* b, u比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
2 T3 z9 R* P4 C) E5，model.transcribe 中参数说明：
5 G: j$ n* w* n7 `) O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,
( u4 q2 l2 W4 M, n1 c9 O保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
$ f( M' |2 J. i( q! x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：
9 ?4 r1 u* T3 L! G8 E/ Y' K1 whttps://github.com/guillaumekln/ ... isper/transcribe.py
& h8 Y% M. @4 U152 def transcribe(
3 U# m% W  L+ U2 f7 I- H" v9 m从源文件你可以看到是支持中文的句号断句的。
1 H  a, Q. s/ h( h( G6 h, ]) ]) ]4 h! B
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。
0 W0 X7 ?; H) {/ f8，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。

nanimarcus

多谢各位榜爷打赏。