faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

7 o& ?8 X8 M. \2 Q( b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。
# X# e' B  y' x2 v----------------------------------------
https://github.com/guillaumekln/faster-whisper
9 J5 r1 N# W, A安装如下：
1, Windows 10
4 J3 `, \( e0 D' P) r8 |2, Python 3.10.11
: X2 d0 e9 u, j! R! f; @, o9 l7 \0 A3, CUDA 12.1
9 T- l. @% y" `5 H; ^; C4, 在python 3 中安装
# z- ?5 Z8 o; Bpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) Q# C- M8 z+ D6 Q+ k4 N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
5 f/ s1 q) R5 }, _3 N( }这是向whisper 致敬，可以不装
6，pip install faster-whisper
9 n, @3 |7 q5 ~----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
* v9 n: ^0 K1 e9 g/ Z9 y# I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：

----------------------------------------

from faster_whisper import WhisperModel

) Z9 o: v: Y. r" J6 h6 c) O9 w! y% Lmodel_size = "small"

! a$ F8 @- |, R: S# G6 ?model = WhisperModel(model_size, device="cuda", compute_type="int8")

5 D' ]8 C" g8 H+ S6 }% Fsegments, info = model.transcribe(
' q: ~" x8 @, Y    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

/ ]9 H+ V7 n5 t9 h$ z' E1 E$ zfor segment in segments:
4 v& E1 a* u- \- T1 |+ C: ~    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

9 P1 R7 S. p* n! a/ F8 J        for word in segment.words:
               
----------------------------------------
: }0 T0 P; P$ Q! c$ h
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。
) w) g1 c7 u9 X' x7 B" j: O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
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
: T+ k; g, n3 E7 A. |6 U- s% ~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
% m' I6 s3 T# }0 z+ f5 `8 E7 }其中
    word_timestamps=True,
+ i0 h$ H  @# s保证了你能拿到 word，否则是拿不到的
% ^7 Y" H  S, G/ q& N3 }. G, ^    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。
2 F+ A( r9 |, }' D* M" y. e" R& _其他参数可参考源文件：
9 j) [  H. a' B: J2 khttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
% x( ?! g1 F6 r3 B- x+ L. y5 k6 j从源文件你可以看到是支持中文的句号断句的。
$ M1 G; B) x, h! |+ s+ V
6 ]. }6 |. X0 S2 Y* F6，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。

0 d0 i7 l+ d0 F& y" a- k- I3 Q

& Z. A* e) T, }2 d. R& u

nanimarcus

多谢各位榜爷打赏。