faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* a. f$ H; @8 @
; M% `$ K! d" H" Y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。
----------------------------------------
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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
! X/ w& R& Q9 n9 F1 J2 M安装如下：
% ]3 h" ]. z, B- [0 C- j% i$ G7 @3 R  y1, Windows 10
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
, i& M2 U, p0 Y: u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。
2 S3 K/ k  C" B5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
/ I9 M1 k2 Y# n. S% Z6，pip install faster-whisper
----------------------------------------
: J2 L9 z4 v2 R) f$ Hwhisper 我用的命令行，faster-whisper 我用的是python。
1 N% f( P( G4 K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：

) ^1 W7 }) o0 X+ A: f( U( v) d----------------------------------------

% K+ y* V- W' w% {0 Y! jfrom faster_whisper import WhisperModel

model_size = "small"
8 ]$ b- m  s& m: p, `
/ H5 F$ F! X% kmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
7 n- a4 o2 m* |' }% g    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
( t) D6 `+ T: k3 A% F% T2 W
, @. i0 V$ h" U9 ^( mfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

$ P; G  U6 ^5 G1 ~        for word in segment.words:
" x. T1 d/ z, L* h0 |! t6 K- m( ^               
& d+ I2 i& i' i  d----------------------------------------

, ~. ~$ }* F2 |' }/ Y代码说明：
4 h/ V' t: e$ U- q2 {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。
" E! g0 {8 t2 b* T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。
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
* L% o# @% i; [& p- m- \比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
6 P: p: }2 g% M# F6 _9 r5，model.transcribe 中参数说明：
2 K: }+ m& S6 O5 [" W+ w/ |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
7 d+ }: l6 O+ g: C; Q1 V- L其中
    word_timestamps=True,
' ~/ v3 N# C. F( W# i$ V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：
6 S" ]5 u3 [, a- ?; P' R  D" Ghttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
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。
2 H1 N' X% U( B. Z0 D! u. c" c8，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。
. U( H* v* S% N- o/ c


9 T9 w) K( s2 ^/ G6 K* N: ~

nanimarcus

多谢各位榜爷打赏。