faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

1 }- G& W( H9 D8 R; V- {
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。
; {$ ^6 X, _( }1 C0 G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。
# m9 N4 U8 v8 F+ h) w& x----------------------------------------
- f  ?: E; b& z% G# r' B) t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。
6 T. M7 k6 h- w  |" d/ o2 K' A/ k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。
* ^& M) u, d+ {0 D----------------------------------------
, M" |( s1 f7 j) A* Vhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
1 M: \0 A" b; d- B$ m( L3, CUDA 12.1
3 X2 D4 b. z8 z8 f" T( Q+ @4, 在python 3 中安装
1 G" l4 y; p1 U' z- `5 spip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
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
! Q9 Y; T  J% d* W4 e' H! o: D这是向whisper 致敬，可以不装
8 c- P, x! p5 z& U6，pip install faster-whisper
----------------------------------------
; _8 s/ I2 Q. |3 n% Swhisper 我用的命令行，faster-whisper 我用的是python。
0 x' D+ D# s) k% r$ M, A9 [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
4 ~# N" X8 ]- `5 A$ x' q
model_size = "small"

1 s  Y% J, h! gmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
7 n& h, e( t, P5 T
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
4 w/ Q# V+ u! N# V* f4 K; f2 j    task="transcribe",
2 `6 \% X* j1 U. {. V    word_timestamps=True,
6 C& t1 K! W. M! B* N8 ?3 b    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
+ ~9 a5 `& O0 s: z2 `
% Y9 ^% Y! Z7 }" u        for word in segment.words:
1 h* Y4 a/ I  L5 x7 ^               
3 e7 ^/ T( A! o" W5 Y- d' p----------------------------------------

* X3 A6 D3 ]: `6 }4 ]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。
& v6 p: o" D4 L9 T$ ~5 g1 q+ u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 V/ [$ W1 E& ^) \% `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
5 k3 h& D! H3 |4 {比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
  Q" D+ z, }: @% i5，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
, @1 r$ D6 d/ h% ]7 U) z    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
, y) q! L9 |4 Z- R) ]8 |    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：
https://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。
4 a9 ?, @, x! a
; f$ H" w; g! J6，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。
- r7 ^' A% g1 p7，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。


, N$ F9 \* E/ X0 L1 R& F$ D6 P: v, R
$ i( Q6 w3 t& \

nanimarcus

多谢各位榜爷打赏。