faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

9 z4 b3 U6 \8 o0 H0 ^9 `1 ?, i
( I) }: [2 d* J0 D' x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。
. E3 c3 a& {( a7 i+ G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。
" X  r4 [6 T. G9 W0 V( h& N0 \----------------------------------------
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。
8 I: W/ ?) n. q) y----------------------------------------
% C: e, C/ X+ X* Y; l5 phttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
5 F! H" R6 R$ q- c" f" z% [. \2, Python 3.10.11
7 x& h5 t& T; t* I: a3, CUDA 12.1
0 [! L) r! k7 _  c+ L+ {4, 在python 3 中安装
9 M5 M: E( c7 W; Apip 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。
( Z& D  K$ L$ }3 y8 `5，pip install -U openai-whisper
, |! e; c0 t; _5 b这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
+ ]9 E, a* e. P- l6 Rwhisper 我用的命令行，faster-whisper 我用的是python。
* D1 M3 d  a" 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：
8 `+ V* k7 Q& [0 l0 J$ \4 F
----------------------------------------

from faster_whisper import WhisperModel

0 q. }- l/ q* X) t% i- ?- Gmodel_size = "small"

0 i; ~% j# j) P+ n0 Q- p. kmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
( O) V0 s: k$ }3 V( n
3 l5 D6 \+ v2 Usegments, info = model.transcribe(
    sourceFileName,
9 v& C" B! c) \, l. f    beam_size=5,
    language="en",
0 u! }8 H' [; o5 L7 ~, x  y    task="transcribe",
    word_timestamps=True,
1 }* ?7 d4 ^5 Z, T    initial_prompt = "Hello, welcome to my lecture.")
) Y- A* v' o; J$ k( G
- k# J$ y. |( Ffor segment in segments:
3 e7 l) F6 T0 T. w$ h! n, l3 m    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
7 ]8 a( T( ]5 N- c' d
$ [* D1 Y' N0 B4 T4 A& ^: I  p        for word in segment.words:
               
, b) l/ {1 T+ y5 b----------------------------------------
1 p0 ?0 O2 {! i9 n( Q1 Z: Y
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。
( Y4 P) |& A: H  g; a. r" |* }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
% N. D4 F4 D5 e7 J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
8 D8 |4 X9 w8 M: J( P( k4 N% t  m4 H    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：
# G6 @9 x4 G' @+ s- ?% H2 ihttps://github.com/guillaumekln/ ... isper/transcribe.py
2 N) n$ i5 c' v) L+ ]152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
/ H5 |& A. h; r* V+ k8 i5 m( `
* @( C2 s& T0 j- Q- y8 k6，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。
* r: Z/ I/ D1 G  |$ |0 H/ p
  v5 r/ K3 h' {6 u8 t
6 X4 c4 Q+ u* f
. ?  e9 i# w6 A, d5 z6 ?- s

nanimarcus

多谢各位榜爷打赏。