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。
/ ~& b- t2 y6 H) }8 K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。
; W' f  P3 g% R5 [1 B----------------------------------------
3 u) i4 |6 X# x! A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。
" N* c+ E& W9 X8 ]- g----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
; R. |) q5 g! G2 b/ Y* A1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
) \' |2 C# I/ T* j5 i  T4, 在python 3 中安装
! J) X4 F, q: @2 v  j% w# epip 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
8 _- q* `% F- j$ I4 o& v这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
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：

----------------------------------------
' [7 x6 t/ d' V$ [
from faster_whisper import WhisperModel

model_size = "small"
% c2 }( \4 d4 e* N6 J
model = WhisperModel(model_size, device="cuda", compute_type="int8")
& L5 _# w! e4 q. l( @
segments, info = model.transcribe(
    sourceFileName,
8 _4 ?; y* I0 ~* w5 s3 I3 q    beam_size=5,
" O. C- n4 ^' b% m; k    language="en",
    task="transcribe",
- @1 z8 |4 X; n. u    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
" G, h0 ?* `! d' t7 g3 o- r
/ E9 v1 b5 g( p. ?2 K- ^# u, B        for word in segment.words:
               
& W/ y3 @7 [. m. ^! E4 q3 I. D----------------------------------------
" Q" m: \; J! {' t7 i/ F! T2 d
- S: `, N1 Z7 o$ l" t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。
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
; L5 R: r, x, M. l# g: 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：
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
' ~4 G& H0 s. g9 p$ S1 H: h+ u+ }    word_timestamps=True,
# e( d. m1 V9 Z8 I- o# W9 v保证了你能拿到 word，否则是拿不到的
3 F9 h; H$ y2 ^7 n! S7 F3 ^    initial_prompt = "Hello, welcome to my lecture.")
/ |% F% p1 M, \' g6 ]  n( L4 o# X+ B保证能尽可能准确的断句 punctuation，但是不是决定性的。
& k9 q" H9 q4 w+ C5 m6 f4 @8 }其他参数可参考源文件：
$ b5 z+ D$ F9 Nhttps://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。

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。
4 N1 q% d" R8 s% I+ C7，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。
$ d6 v- Q7 o- u- e& H( f, ^& u8，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。
) D; L  @* V# y5 w

nanimarcus

多谢各位榜爷打赏。