faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

& [/ |! Y6 O: y6 O
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。
( k# l. r8 k/ u* b+ N- O; [8 E' c----------------------------------------
1 @0 [' E! n, a+ F. o: b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。
7 p# V- d: l  M3 g----------------------------------------
( Z. J/ c# i+ Qhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2 i" K" w$ U% h. d& C5 [2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
1 ~# K  K9 p) H* H+ S2 \/ N5 Bpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
; {) m. X5 h6 x" O* M* f+ H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。
7 H* P: D* {% i' [# [: X5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
; x2 Y# t  X* Y& ]6 ~6，pip install faster-whisper
  B' k% L+ o+ p3 q+ }1 d----------------------------------------
* b; a; p$ `, l4 d. Mwhisper 我用的命令行，faster-whisper 我用的是python。
5 \! \' b/ p9 ~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：
# I: n/ L1 `) i& q# F
----------------------------------------

: }- `9 ?" N( |3 n  O; j% gfrom faster_whisper import WhisperModel

. \$ t8 H! b3 O+ p+ N0 t: m0 Kmodel_size = "small"
" i8 o7 `" b  v4 m/ ?. [
# h1 B# L( k+ z4 m- [# h( i* qmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
0 O7 B8 k4 a4 F/ |3 @' i    beam_size=5,
    language="en",
; q$ W% {- q, k* h% ~1 R    task="transcribe",
    word_timestamps=True,
0 d5 L+ c% _- C( j    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
& Q5 I5 I) {  I" J9 i) f6 P9 V    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 E2 V$ b7 `" b/ c) ]# Q
        for word in segment.words:
               
----------------------------------------
4 d+ R+ M* M# ?, n; O$ o* R, g" D. y
" ^2 t; U9 R1 D6 I0 e0 W2 T代码说明：
; [- t0 s. y7 ~; [& H" P3 N6 Q, C1，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。
$ m/ E3 b( n8 `+ M2，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
, c, M: I  \. j2 }- `$ {9 ^比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
5，model.transcribe 中参数说明：
& @3 P, K3 d2 V8 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
3 g, Q6 E4 _6 x/ K6 i其中
, y7 K. N% b2 N: V( k    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.")
! @/ M* C" q+ I0 H* j  x. \保证能尽可能准确的断句 punctuation，但是不是决定性的。
1 n" J) P! _  @( [0 {其他参数可参考源文件：
" b2 D% Q9 Q0 }9 y  j" Chttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
. l/ b$ _- v0 S7 B& `. \( Z4 p从源文件你可以看到是支持中文的句号断句的。
. C9 H- `3 f( q- ^, a' n
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。

" ^$ @7 v# R" B* J

nanimarcus

多谢各位榜爷打赏。