faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 z* t8 f) _6 N7 O( ^% 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。
% L+ g' Y4 S0 n0 t8 Y- \0 y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。
) v3 H( K0 ~2 E8 o" I----------------------------------------
' T! g* ^' M2 A- h* m- T7 u! O, ?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
安装如下：
1, Windows 10
2, Python 3.10.11
( v1 Y% q/ V+ n, o3, CUDA 12.1
4 A% u* ~6 E& M/ F0 _4 {/ @7 |4, 在python 3 中安装
* P& a3 U0 v* I* w$ A; \6 ~$ G" ~( k+ Apip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
+ b4 b6 U3 R4 v. T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
这是向whisper 致敬，可以不装
9 K; y& S* V* e8 Z$ |0 x6，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：

----------------------------------------
" C1 m' ^7 Q0 Q1 z; A: y8 t
1 C7 J0 W- ?7 a" u+ n! Lfrom faster_whisper import WhisperModel
9 P, I5 H1 _* o; X# m( w
model_size = "small"
/ m5 e5 A9 W7 A! s- I
# N! h' F5 e. b6 l  y; ^2 |model = WhisperModel(model_size, device="cuda", compute_type="int8")
3 _( p, L+ [# s0 @5 H$ H
8 m3 D+ n% e  H$ R' ssegments, info = model.transcribe(
1 Y1 N3 S3 n  A0 G4 J    sourceFileName,
    beam_size=5,
! ~% \) e% i3 i    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
2 m- a+ @* |8 Y3 O7 y% O
for segment in segments:
3 R1 w1 r* U0 s- y9 \3 H5 S    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

2 n3 p7 ~0 E3 Q5 G$ A' z        for word in segment.words:
$ g$ l6 x9 N( O1 ]* v6 L! c- m               
----------------------------------------

代码说明：
! y; v' q5 L! }3 i) T/ c, a1，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。
* |% M/ m, }" ?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。
" s2 W* L$ ?7 V3，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。
; r# G3 E4 \+ Y5 Y4，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
6 ^8 ^* U; p7 s/ i其中
    word_timestamps=True,
! [$ W6 N! M# e: Q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。
# _! t* @3 r: T8 k3 q其他参数可参考源文件：
; o/ f) i4 u2 Ohttps://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。
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。



" [% Q+ T+ z6 O; U) e4 t4 d

nanimarcus

多谢各位榜爷打赏。