faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 }' M1 ~7 {" z: c4 o; K
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。
( x  f2 L2 N  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。
5 B. q% X3 N) Q9 ~1 b! [1 l1 a* c" M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。
$ Y! W1 i0 |2 z7 q----------------------------------------
% _7 q0 i9 B7 m+ k9 `https://github.com/guillaumekln/faster-whisper
安装如下：
( m% E# ?9 X) M  ~8 \; Y6 D( `1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
5 v) \3 j/ g$ W! M1 s4 m0 {# d4, 在python 3 中安装
pip 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。
( r2 E( m4 z: }" L) \0 Q4 q5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
. m) l" f; _& B, h( ~) M; K6，pip install faster-whisper
----------------------------------------
! X, ?$ }! t" D* O" swhisper 我用的命令行，faster-whisper 我用的是python。
$ g' c4 o  T6 `! r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：

----------------------------------------

/ I1 h/ A3 J, N* Z( [0 cfrom faster_whisper import WhisperModel
$ p$ ]0 O: q7 W' B
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

. z" [1 p6 t3 K0 psegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
+ D  [. @6 @& Y+ n5 U6 u+ S2 g    language="en",
    task="transcribe",
7 M: K! A0 x7 X    word_timestamps=True,
+ _, v. f- X0 x& e. e4 q    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
/ I' ?# O: S) W) y( }
4 A. V3 R9 B: k; h8 o7 j7 u        for word in segment.words:
               
----------------------------------------
6 ^7 U7 I. E( }0 `/ O2 I
/ c8 m* S* l. m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。
1 ]/ D# i4 l, }! K+ \( }* W. o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。
( e; _, w3 t; y4 C: o8 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。
! G! P+ m) W4 h  v! _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
3 C- [/ G( p0 U" @5 R% l7 A比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
1 G  [, W. J% ?! L, s/ l- a5，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
; x9 n0 g3 ]+ T其中
    word_timestamps=True,
, q0 \% [7 P) q0 J& E( D. z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。
" w6 J; V; s* r- L6 s1 G' U其他参数可参考源文件：
- G7 C; S) s; Ahttps://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。
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。
2 _# @" g$ V4 q3 l) [& L# r8，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。
" ], r) D) R/ n7 f! N1 p9 F: X

nanimarcus

多谢各位榜爷打赏。