faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

8 n6 x' d$ [4 f: `
& T9 w% G% y9 S7 L2 s9 {7 l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。
7 m) ^- t) N( g  i. u& v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。
----------------------------------------
1 P( `* D9 H8 A/ ^1 f5 p6 Y; Bhttps://github.com/guillaumekln/faster-whisper
' L1 s) Y- N) k! i' P! h& |/ E4 y. X安装如下：
* ?! F- }/ |0 }. \% c" c3 A1, Windows 10
6 v# g1 d7 h1 }2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
- b3 J1 j5 l. z7 o4 v: `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。
8 j7 S1 M* V' \6 B: k5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
' F- E4 ]" y4 s5 t6，pip install faster-whisper
, o+ U5 d) Y+ l! p1 \$ D  k2 Y----------------------------------------
8 S2 s! K$ v4 e* |6 B" ?whisper 我用的命令行，faster-whisper 我用的是python。
; O& {# D4 G; I# U( |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：
! Q& m, C. k" d5 a
/ \; Y' F+ H' G/ x; @6 o; S----------------------------------------

: z" x- b! z4 Ufrom faster_whisper import WhisperModel
: ~' n: M6 R2 E- D8 _3 y0 L
model_size = "small"

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

segments, info = model.transcribe(
    sourceFileName,
1 Q% Y/ v6 s, x$ H2 L    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
! A/ k5 I6 i" F" B    initial_prompt = "Hello, welcome to my lecture.")
1 |$ j- O; _5 k( e% g7 Y6 T6 R* Z2 p
for segment in segments:
& l% ~! d+ B& P" A% j    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
2 c+ g% ^2 j8 U. Q% j$ I5 Z* V* ?
+ }1 k( f' S6 @2 M( @        for word in segment.words:
               
----------------------------------------

. W( f) }4 U- u* d* R* ]代码说明：
) b( E$ g1 o$ g  R7 k( _, h# }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。
: V  f: s1 H7 O( f8 u3 |2，segment 本身是很粗糙的，做字幕勉强能用。
, }/ f1 b+ U$ R3 V8 o3，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。
2 F3 S3 o1 F6 b7 Z4，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。
2 \3 R; h$ _0 k( P. x: o5，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
    word_timestamps=True,
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。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
/ ~) \- A  R" U从源文件你可以看到是支持中文的句号断句的。
' d3 A' x" l& d$ z/ g8 l0 w) ?
& n1 O; U/ q6 u- D5 h3 K$ l6，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。
- L+ e# y+ w  Q2 ~4 O/ z. t7 l, w7，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。
5 m  K" J1 C( E4 D. ^, a8，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。
/ C0 S  d' A% }8 v
/ \, R8 V( x7 F! R: e
+ g% B; B& G6 Z1 f3 W

nanimarcus

多谢各位榜爷打赏。