faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; E  q3 T6 O: }
9 A/ B% R" `( W' R9 t; A8 R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。
" Z9 Y& y9 c6 _- y/ W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。
7 _6 X1 ^  E# o' Y, X- K1 s# x/ n----------------------------------------
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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
/ f4 s1 ?$ e) i. k  l6 H1, Windows 10
2, Python 3.10.11
! e+ U% k+ Y% i! g. P3, 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
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
( K( L6 `3 c- a) x4 H6 a- t% M这是向whisper 致敬，可以不装
! }& |$ S! J2 g+ z2 D6，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：

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

from faster_whisper import WhisperModel
: L" }7 r' z' y" f& d6 s. O
model_size = "small"
+ K# w1 f# K. F# M* i
model = WhisperModel(model_size, device="cuda", compute_type="int8")
' Y2 X  w1 |0 K/ }
3 g: a# n' q8 j6 z' Osegments, info = model.transcribe(
    sourceFileName,
: t2 w. }# u& i    beam_size=5,
! h/ ^$ @  A, m7 x    language="en",
  a$ R3 W; k" w; l/ \" o    task="transcribe",
, C6 K; [) s3 p, h; a6 S3 L, h    word_timestamps=True,
& d7 h) s5 f. t1 B( ~! A& t$ O    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

2 D+ E; ]/ B# O        for word in segment.words:
, Y: p& U( F( \* s) z3 A4 d' u               
8 t8 B8 a4 A& n2 C1 T8 F0 g; w----------------------------------------

& z) O$ h! H4 b9 g& e( r1 M代码说明：
& i. M+ o: G. X; g1，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。
! A% P& f+ u6 a. Q. U  b4，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。
% R: S5 ?+ N% q9 O) p5，model.transcribe 中参数说明：
( M" h6 E; R" 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
2 j1 _2 f2 |+ j$ V1 u其中
' E$ u" p' i0 [1 f) X4 V! [    word_timestamps=True,
5 V$ M6 I  h" R7 p; U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。
# w& C4 S2 \! `5 U+ I其他参数可参考源文件：
6 G6 ]7 a4 i% [, ^7 A* nhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
+ E) Y- W  |) K+ T: I2 e, r+ O# O从源文件你可以看到是支持中文的句号断句的。
$ V- {6 [1 F8 ]- @& G* z. g5 O/ }1 L, ]
- U1 c' O" V6 e( @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。
8，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。
2 a1 V, r+ L% H& g  O; B% s7 s
6 ^; z* V) s. X6 z) t) S* W" X; x. B

# ^8 V! I4 X$ M7 A. x" P1 u

nanimarcus

多谢各位榜爷打赏。