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。
4 e/ p( d' H: b2 }( |2 Z% s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。
" Q7 ]6 t- j) ?9 J( Z7 e----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
. e  Y' P& b) z! w; \/ R0 |1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
/ x  f; f! {) y3 y8 E$ |, W4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
' p8 Q2 C+ ?# Z; Y2 N+ v% C1 g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
; l2 b4 U" B/ x! A* ]/ _0 N0 x这是向whisper 致敬，可以不装
# ]; r9 B# s) ~' |6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
9 h2 ?2 U3 N; }  g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：

----------------------------------------
$ Q2 E0 D9 K. s, X# r+ J8 J
from faster_whisper import WhisperModel

model_size = "small"
8 a$ O8 b" _& l. N7 Y2 F- [
# i. P$ f; @' y4 q4 L  N0 zmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

6 H* E6 _. H& j% [, p5 l9 Lsegments, info = model.transcribe(
/ ?: ~, [) F2 e% j3 @" Z! U5 ?    sourceFileName,
    beam_size=5,
    language="en",
! P+ K! a0 g1 d  Q# u    task="transcribe",
/ k! [7 V) K( a" h% g0 b    word_timestamps=True,
; s% C% h8 E0 Q: O$ T$ J    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
; x# @' u8 T. i
) c. W8 z, f% J  L5 x1 M6 m        for word in segment.words:
               
6 @9 R( E3 }7 s$ |" V0 x5 I----------------------------------------
/ b3 c: y* ]+ u
! q' X' ?8 F' P& [1 G6 ~代码说明：
. M' T4 }1 v( ?8 C; K5 ^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。
0 g. L- F8 }9 L+ A  J1 M% f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。
- |% D- m$ u6 t% Z/ L2，segment 本身是很粗糙的，做字幕勉强能用。
* u" p- e! f3 j9 A5 J7 |5 Y3，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% [: J5 s5 ~: ^- h4，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
% ?8 ?. A% ]# ?. z比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
' K% d$ y7 [, a$ r5 S5 j5 Q( p5，model.transcribe 中参数说明：
: q5 x, @7 M2 k' k  {6 a' J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,
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。
6 @5 q- x8 t, w. X其他参数可参考源文件：
. {; ~' K6 e4 Y: ~- B% Ghttps://github.com/guillaumekln/ ... isper/transcribe.py
9 V4 r1 z! o! D& ~& }2 Y152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
5 A: I+ B9 B) b7 L3 n; e0 i6 \
$ x0 q% j6 q- o' `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。
/ M. D5 f8 P+ A0 t3 l, U# t# G7，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。
5 A6 }. v: C, v' y1 }+ A1 E5 D8，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。

nanimarcus

多谢各位榜爷打赏。