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。
; T. S# Y( ?) k7 S% V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
1 f2 B) [* i1 L安装如下：
, |& L; J& O) s# F4 c9 V; ~# L1, Windows 10
2, Python 3.10.11
" y  |/ i+ A* [! G5 S3 V- k" D3, 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
9 K- {- e# l( s( H' e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。
- @0 o# [- L7 n+ d5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
+ d( T8 V7 h( H. @0 ~9 j$ j: c7 r" e6，pip install faster-whisper
----------------------------------------
$ Q) }) k4 V& O+ ~: Ywhisper 我用的命令行，faster-whisper 我用的是python。
0 d2 @* b1 A- v& y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：
2 J0 Y$ U0 t! c' `
( }1 \2 h: s! D! ?. V4 ~' W----------------------------------------
% _/ Q9 m/ V3 x3 D9 ]
from faster_whisper import WhisperModel

, B9 o4 O, p/ a1 J1 ?model_size = "small"
# f: [7 g9 g# j3 `- q
) R0 ^0 C; N7 G) ?model = WhisperModel(model_size, device="cuda", compute_type="int8")
* U2 f; r; Z9 `* F8 y
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
- s  J( ~- [1 C# v    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
* Z- M8 w# }) F1 z2 I' G3 G- ?
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

4 Z8 C9 `: V* ~. N        for word in segment.words:
6 J+ g* Z; o' L* T               
----------------------------------------

代码说明：
9 a+ c5 V/ i- y. @/ K1，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。
1 ^; U5 E$ B9 _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。
& ^$ s! H4 T: c6 i: H6 L4，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。
" W5 b# K  V( s& }2 u+ C# K+ k5，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
    word_timestamps=True,
5 ^2 S3 F" \: u, y) B; H1 k" v保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
$ n( O; x( I* {保证能尽可能准确的断句 punctuation，但是不是决定性的。
8 P4 X! J+ m7 O! [其他参数可参考源文件：
3 K$ T* b3 q6 B9 j# ?( F4 n! ?0 Nhttps://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 q6 b. @% A* q7，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。
- P$ ~- O  Z8 E9 e' I2 p8，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。


8 l2 k- b/ G+ C7 {
  G% m3 c2 e  ~" }3 Q3 z2 v

nanimarcus

多谢各位榜爷打赏。