faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; J& ?2 P, r8 C/ l% K9 x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。
1 p) W& O% U( f+ _# a- }) `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。
6 M. L& V% X) f, Z1 j1 k----------------------------------------
- ~6 H& }! r: e8 R- Vhttps://github.com/guillaumekln/faster-whisper
/ a: S1 ?: d4 ]3 C7 o2 q5 v安装如下：
1, Windows 10
# u; U- m% C) \" l9 s. v+ t6 d2, Python 3.10.11
3, CUDA 12.1
2 ]) P9 s  e" g: D" C9 ?4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
7 ^' V2 E9 H$ a( A* Q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 }! N7 q6 h0 S7 j7 r5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
/ ~5 E& a. e- R$ V6，pip install faster-whisper
----------------------------------------
3 d: u4 K* i3 K' ywhisper 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 Z, d8 Q7 }# _, T& w3 u% D" f2 E1 [- V----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
) w7 O8 y2 i0 Q
model = WhisperModel(model_size, device="cuda", compute_type="int8")
, q5 h3 H4 P) X8 x; d7 i" q% D, {1 M
7 N& v- u0 l$ F6 Psegments, info = model.transcribe(
    sourceFileName,
' @- m6 e! j; m: ]! T1 T    beam_size=5,
    language="en",
' |0 \3 e7 P  X4 s    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
* t) z- [( ~( P% G* J    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
; e3 _. \" \9 l0 C7 j
        for word in segment.words:
               
----------------------------------------

代码说明：
/ O5 O! u. D- O( X8 v3 B1，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。
% F# m6 q6 C0 X6 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。
. _; y$ w2 {9 d" o* @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
! I0 k5 H  F* l7 i6 @# y2 V" m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：
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,
" }& ~$ V; q' j+ X4 E保证了你能拿到 word，否则是拿不到的
4 z8 g: @% ~  r# P  k9 Y    initial_prompt = "Hello, welcome to my lecture.")
& k2 w) G! K; b  d8 G: W保证能尽可能准确的断句 punctuation，但是不是决定性的。
; S2 Q2 z5 j4 `' ]1 W' o# m其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
/ Z  a) B+ v( v从源文件你可以看到是支持中文的句号断句的。

4 T3 ?8 F: k1 V* J" h! G6，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。
2 V8 Y3 r+ Z" z; i$ I$ U  P8，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。

* ]) a1 R. ^1 S8 T7 t2 }& k* i8 h

' U8 l% ?" m( Y1 }

nanimarcus

多谢各位榜爷打赏。