faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

# p4 c! n9 @0 H4 Q0 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。
* j- M$ S4 R$ t- A4 l2 a/ [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。
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。
----------------------------------------
* l3 i+ `) M; x9 h8 f, [7 hhttps://github.com/guillaumekln/faster-whisper
" L" D. N* K8 x( Q' ^安装如下：
' {3 p' W" d: d( n* j1, Windows 10
- F$ A* G$ M! ~' z: q2, Python 3.10.11
5 e$ `8 Y- m9 ^6 v3, CUDA 12.1
4, 在python 3 中安装
) D3 t/ r+ D" _2 G7 l+ ~; zpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
' q! T' V' l, c& Y0 ~" B0 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。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
4 `% c  B+ k& H( S----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
7 v0 G- O, W  @9 O% X1 p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：
$ @2 e4 V# x/ ?7 Q
----------------------------------------
7 _2 E+ h7 I9 p+ v% @
from faster_whisper import WhisperModel
) b1 _) T7 g" l$ K
, T, P. O8 \* |( @3 T) s4 jmodel_size = "small"

# t9 w) Q3 ~. Y2 bmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
# \# ^' i: k0 f1 w: d8 ~
2 \. Q) P6 a+ H# I: ~+ k5 k( xsegments, info = model.transcribe(
6 H. _  i+ U1 V  B* [. K    sourceFileName,
    beam_size=5,
1 W/ f' F4 `+ C    language="en",
( m) m4 V% o/ D5 \& m& T    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

$ e5 c4 Y5 i1 n2 m6 r# Tfor segment in segments:
( u9 S2 v' R( g: u6 s2 x5 [    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
$ v7 A1 w' Z6 s6 B+ s# L& J) R
- H; R# c2 x9 ?7 c        for word in segment.words:
               
/ n. F/ n$ r% O0 w----------------------------------------

代码说明：
. X5 U3 L7 H3 G; k& N* [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。
. y% T  b  t3 V' S0 M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。
4 _9 j6 U- O' T8 x2，segment 本身是很粗糙的，做字幕勉强能用。
+ L$ n. g- P. F! {+ J% 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。
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
. E4 C# j8 \4 \  R+ J7 B3 `& B比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
. \$ a2 O8 G( r- D, q  a- Y9 l; B5，model.transcribe 中参数说明：
  x% a$ X8 I  U4 G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
: k* p# r3 M* l; s, H    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。
/ K0 D( b" d+ D2 ]# {5 i6 V其他参数可参考源文件：
* Y' l, J- \: Ehttps://github.com/guillaumekln/ ... isper/transcribe.py
# ^0 u0 A$ @. g8 @6 H152 def transcribe(
) w8 p2 v* A& l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。
9 B6 d* j+ O; J( U; K; N* Z7，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 h( O; q& ~! H! b8，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。
% t) u$ Z6 T- {- Y% m& @7 a


6 Z5 O9 P$ `. q* Z: K

nanimarcus

多谢各位榜爷打赏。