faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 T+ m1 K. i7 T0 H: I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。
- P( T' n$ b1 y) |' y/ y: W/ R# I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。
4 |6 G* [6 \1 _! Z6 N' B4 e----------------------------------------
& m' g5 n# U+ d. g& v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。
----------------------------------------
. H% R1 E" \8 ?  G( K) Ihttps://github.com/guillaumekln/faster-whisper
1 s! d4 F- G" m8 }4 ~安装如下：
1, Windows 10
! G9 k$ a% C5 a- [2, Python 3.10.11
3, CUDA 12.1
% p* x" G( k( w! Y3 F$ }4, 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。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
, K. E" ?+ g3 B1 B9 H4 L; ^----------------------------------------
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：

1 x% p0 U' k+ v3 |4 h1 n----------------------------------------

9 y$ s! P$ p3 ^) bfrom faster_whisper import WhisperModel

model_size = "small"

/ H) d: f' |2 x, K! o9 B2 ^1 rmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

; p' y3 A2 e) f5 V( h! psegments, info = model.transcribe(
    sourceFileName,
1 k3 B7 V; L6 _# i# p4 o    beam_size=5,
    language="en",
  v+ I1 v+ {+ n, |6 R; L# k% p3 {    task="transcribe",
$ @' W! N- T4 q! V0 m3 [    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

" h3 I- j( p+ Z0 wfor segment in segments:
' k0 Q" `- s9 J/ u1 S: z8 d    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
) p1 b6 i2 k2 Z6 s  C  h
        for word in segment.words:
, I8 R7 A( A" E               
, e5 H: V# e! t0 [, I----------------------------------------
& v+ }' d4 Q' A( F
代码说明：
( S# w- X. I$ i  k1，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 c) ]' S  j) V6 v. \: z& j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
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
3 y9 ^' x3 @) o  L5 }2 A- L5，model.transcribe 中参数说明：
" H  m$ m) Y1 G5 Y6 N& \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
, |# Z9 B" s" a% f  h2 J, B    initial_prompt = "Hello, welcome to my lecture.")
8 ~; x, p4 R, v, {4 S4 V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
152 def transcribe(
2 X  `, b$ h  b% a" w从源文件你可以看到是支持中文的句号断句的。
" n! ]* v% {0 k& u* U4 M* D
1 y/ n5 S  R; o% s6，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。
. A* d! M! g- m+ d: o7，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 R: t1 d3 m8，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。

  X! _- V0 g4 C+ b

2 s& r) {' J7 {, C4 @( ]! l0 K

nanimarcus

多谢各位榜爷打赏。