faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 r* C* \6 k5 \7 P. L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。
; P/ Y. f0 x0 A8 \8 x- {' i, Z3 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。
# Q' k' E' `1 s. `6 u----------------------------------------
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。
& o5 B; Z( @% H: `* F# h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。
----------------------------------------
0 r5 |# `/ J' u8 ^6 @- ^https://github.com/guillaumekln/faster-whisper
! `/ }0 k6 q: {: k( T安装如下：
1, Windows 10
% V/ b# N: w; a/ i! U! ^2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
" @, r1 O+ g2 M6 v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。
+ r, ^6 K; j2 a; w4 \( s5，pip install -U openai-whisper
$ j7 _0 W) x" l1 g" r这是向whisper 致敬，可以不装
6，pip install faster-whisper
+ _9 L; ?& G; E$ B7 y----------------------------------------
% V5 q. K% A  c' _whisper 我用的命令行，faster-whisper 我用的是python。
% j0 M/ \  Q) {! D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：

' E) Z8 L+ D) b0 ]----------------------------------------
2 ~. r% {$ u; t7 s) W
9 y- G9 j3 D  U+ t* Ufrom faster_whisper import WhisperModel

model_size = "small"

# |. z8 D- H2 r* p, j* n. |model = WhisperModel(model_size, device="cuda", compute_type="int8")
" c2 {0 _! Q; U8 m$ N
segments, info = model.transcribe(
$ W' Q2 O5 v: i7 I+ @* b" W. J    sourceFileName,
    beam_size=5,
9 _$ R3 R: M: @1 ]9 d) ]% X    language="en",
8 u) a- U* C; A+ Z. J    task="transcribe",
# ~* \* N1 {1 v, I% h    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
9 Q. P' L, \4 r9 p7 ~; F
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
6 w, Z; ]4 E$ b' e
8 C' M. [' m2 R+ z0 S+ V# b! w7 }        for word in segment.words:
               
9 @5 D4 F! F0 r5 f" E. P) [----------------------------------------
4 ?7 _: c4 \; V4 U9 M& v0 K
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。
: z' e5 i. e, V, Q# 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。
2，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。
, s7 r- j) A0 h- Z3 j+ S4，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：
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
8 L5 o9 d8 U$ v& M( Q0 O6 k# w其中
5 p. c1 Q) [7 S" 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。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
! Q) ~6 A# C/ ]" F152 def transcribe(
/ y1 \% j8 B( D6 p( N. ^从源文件你可以看到是支持中文的句号断句的。
, x% n1 n7 w4 |* r* X! E, W, O$ @
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。
* w) s$ D' U8 p9 u+ 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。


$ G6 V) M' ], U! X

nanimarcus

多谢各位榜爷打赏。