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。
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。
0 W) p# ^, q$ p( D8 W1 W----------------------------------------
0 n1 ?1 k: B( @https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
; d% l" A1 I, ~$ [2 I/ d$ H* k9 T1 F3, CUDA 12.1
4, 在python 3 中安装
/ `% a, A: I5 L% ?% K* rpip 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
这是向whisper 致敬，可以不装
6，pip install faster-whisper
; M) R7 F: u1 d: a# D+ F----------------------------------------
; k, Y) P* F0 o+ hwhisper 我用的命令行，faster-whisper 我用的是python。
( X# d' C& x" f/ i: M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
' {0 S- v1 h7 l, N$ p* t$ e
* w9 l  v0 c& F: X) k, Xmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
/ Q4 Y+ N/ v2 h# b, L0 {& J
segments, info = model.transcribe(
    sourceFileName,
: @! B3 ?& k3 N3 H4 P* ~% J4 H    beam_size=5,
/ w5 h5 i3 X5 l/ U) J/ Y" {' P2 P    language="en",
0 q4 q* \" e! M6 P    task="transcribe",
    word_timestamps=True,
% s7 k) S$ {. p: \7 k+ q: |. Y    initial_prompt = "Hello, welcome to my lecture.")
& E0 t2 z- M1 \+ R
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 B" b& n/ ~- C6 }
5 _" |5 m/ @! f  X" T2 o, m$ @        for word in segment.words:
               
----------------------------------------
9 t2 {) ?; u3 j* d7 J( c
3 v! V2 ]& Y8 n+ q+ u6 M' \5 u代码说明：
+ C9 e# l+ K4 B* p4 |1 g1，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。
! m9 ~0 h7 ~% A9 N3 N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。
' p; U# g) f' |3 Y$ B4 r! |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
. e1 o- |) @6 E1 l  {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：
) t3 w& R5 |* y6 h) v, q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
( d: Y) G/ O. d' w其中
2 @: Y( E- C6 p2 V- ^1 y- o    word_timestamps=True,
  S6 f$ D4 Z/ O) F# \9 u# x. |- U/ P保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
5 [, a- Q& ?/ r7 N- N2 u' H& o% P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
& s2 F. I7 u9 [4 w# c! q' N; _152 def transcribe(
* e9 _4 a) [7 Y) D% E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。


5 x$ C( t$ A- B* h# g, r

nanimarcus

多谢各位榜爷打赏。