faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

1 T  f( g! C/ k
3 O9 q/ y  K2 J2 S0 T+ S" Y) t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。
. v3 _4 f( o( @+ I- u; f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。
& R: d; }7 d) \% s* V----------------------------------------
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。
& i" f6 a& U' D: b; \3 b( A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
安装如下：
3 u  D9 k9 p/ Y2 l' C8 n1, Windows 10
' {- u, ^  k5 r2, Python 3.10.11
" S5 B! V; ^8 ]$ p4 j2 |3, CUDA 12.1
2 F% }# d  I7 \9 g# |4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) N, M8 M" y  p: I# U6 |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
8 ^$ |9 x4 H$ Q这是向whisper 致敬，可以不装
7 L* {( u; Y, ]% }5 S6，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：
  u+ o* k7 t% @4 H7 H
----------------------------------------
! |# \0 x  c% {1 T; B  M5 a5 a* _' I2 F
from faster_whisper import WhisperModel

: w+ V2 a/ c+ `; umodel_size = "small"
; T" }' m# O7 o( f6 }/ K
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
+ i- F1 U, g6 Q4 t0 S* \# h9 H    beam_size=5,
' y' R/ C! `, D. |    language="en",
    task="transcribe",
4 X5 Q+ v5 U, B* ]    word_timestamps=True,
2 \, W( h# G( J5 @8 o    initial_prompt = "Hello, welcome to my lecture.")
" A; [* U' H# C( U  b
# ~0 F! ^* z" ofor segment in segments:
6 c- Y0 _5 b' e- r9 x7 D    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
5 q& n; W, M3 J( ]- G6 i7 c$ R
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。
: |( X( @# G/ \( Z2 s) B8 M2，segment 本身是很粗糙的，做字幕勉强能用。
2 l9 E6 j+ P: g) }1 a3，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
4 E: G! N8 Z6 B; Y/ 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：
. v+ G7 }6 d& l3 m' F! P, i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,
! }* P. N1 ]2 f保证了你能拿到 word，否则是拿不到的
0 z' W7 g- N! G& ]  X1 i. B    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。
, ]/ V( A5 Z5 T$ t其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
" N1 `/ @" ?4 |  }# R从源文件你可以看到是支持中文的句号断句的。
; O1 w+ a7 ~2 d3 z: T5 b( G
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。
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。

/ C, y; r: m0 W7 R! M9 V& F

9 {# \  c( \( k& l  k

nanimarcus

多谢各位榜爷打赏。