faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

% ^8 J+ j4 [6 G4 u3 _
; }2 b! _) R& S( t% p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。
$ S8 L; _4 p2 c; x; ]% l* G8 C----------------------------------------
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。
$ m) `( p  m8 R! [1 O5 x' r6 S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。
( q# X9 \' P3 d0 y& V----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
3 C  e" u) A" G' F7 F& ]1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
  D3 U8 j' K/ p7 K1 p9 w1 _4, 在python 3 中安装
9 r, {+ Z, ?* U9 `* M$ epip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
6 `! d% S- k# y2 c/ @' S5 h6 o- b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 ^3 l5 r6 A, t% ^7 R: k7 i6，pip install faster-whisper
$ P) A) Q& \' F3 A3 |, [8 z----------------------------------------
3 T7 v: @. Y2 q6 [- C9 wwhisper 我用的命令行，faster-whisper 我用的是python。
- J; J  |5 O0 Q2 k8 ]$ V, d; z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：

0 Q) V* G: ]5 h8 S! a6 D+ a4 f----------------------------------------
! ?6 j, K3 a, W8 N; B
  N( P2 x7 j# f# ~# wfrom faster_whisper import WhisperModel
8 `2 a# f3 _1 X7 G  B
9 R& [6 f1 J9 Y( M4 {5 Rmodel_size = "small"
# w# h# }' j' S2 }1 f9 E& W
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
$ _) p  D$ m$ f$ ^    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
2 I5 j. x; T% d5 f4 y    word_timestamps=True,
5 ?& f0 G, k3 p  G    initial_prompt = "Hello, welcome to my lecture.")
, ^2 D' G; ?9 S$ w  y
for segment in segments:
$ P/ n' O2 r3 `1 I( x    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
0 T- L9 D; K* m- X/ [9 W  R
/ b4 y6 X6 n. @& x        for word in segment.words:
               
----------------------------------------

, @* w) Y5 K8 m- i0 x- j; z代码说明：
6 e8 h, `2 G4 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。
! r- l$ _7 h' U2 i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。
# L" I; u4 u7 y& _" Y2 F- _8 j2，segment 本身是很粗糙的，做字幕勉强能用。
& u% P" D4 M' S1 x1 J* k( _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。
' }- \- N" M1 C" F; t7 w1 H1 J% H5，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
) {! U" m+ X3 w' g3 T( H2 i其中
0 ?2 }) N. W) Q5 _' B    word_timestamps=True,
( h3 t* p5 b% U+ P) h" L保证了你能拿到 word，否则是拿不到的
% X7 G9 M9 U: |0 r3 B8 ]    initial_prompt = "Hello, welcome to my lecture.")
& |+ @' O" G9 ], _保证能尽可能准确的断句 punctuation，但是不是决定性的。
& f5 E1 @% S) N- h+ j" k+ c) E* J) K其他参数可参考源文件：
$ h% N9 @1 O) p# ^) E' ?& B3 khttps://github.com/guillaumekln/ ... isper/transcribe.py
+ _" _" V4 f7 ^( i) f# E152 def transcribe(
+ ^& e3 ~* A9 h. G! f2 L; h从源文件你可以看到是支持中文的句号断句的。
/ }- E- F7 K( O+ W
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。
( y6 Y8 G2 T! ]* W; n# Y" R2 l
+ d6 v/ n; t- p) X6 j! D, G
5 ~( N% _  E% V0 u- K. `: a3 e% y% X

nanimarcus

多谢各位榜爷打赏。