faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

+ N6 l  M- q4 P) T1 Y
+ F+ ]; M  f0 Y, C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。
( g/ _: M: T) P& E4 l% K  e  _5 C( h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。
1 [6 k7 J1 _4 d0 e----------------------------------------
4 i0 r  U+ ~( S7 P; D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 A$ D3 @0 \: V" J, i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。
# e6 z/ p: w: h" v; j" y----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
0 Q8 f/ I) Y. _1, Windows 10
! p3 l3 Z% Q6 W' E, V' X4 v0 e, C2, 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
0 I/ K$ V) R3 O6 |9 `$ u; [2 L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
% _5 V$ w- h* U3 O3 |9 j----------------------------------------
: g; I' Q7 Z  F* c* V) Xwhisper 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：

----------------------------------------
5 y9 F# G  ~' B" Z3 \  R# J+ Z. O
" C" o/ x; |8 E1 l4 @5 Xfrom faster_whisper import WhisperModel
( Q+ m0 l+ {: a$ s: s# y
" X2 a% ^5 c3 Omodel_size = "small"

) h' |2 r" R* S) Q; \model = WhisperModel(model_size, device="cuda", compute_type="int8")
  }* e/ u- Q7 _# T
% `6 }& G$ Q) i8 [segments, info = model.transcribe(
    sourceFileName,
- q; ]0 k* K# O$ l  M+ ]1 H    beam_size=5,
6 r- A0 Q9 K& ~- t% _1 W, X    language="en",
% V" E$ L4 _) o7 c    task="transcribe",
! z, T  [' L1 Y    word_timestamps=True,
+ I4 d. {, V7 i$ k* N7 r    initial_prompt = "Hello, welcome to my lecture.")
8 ]! z& _4 A4 W+ q. T
' A; X1 w9 n$ W+ n; n  v) D* q  g0 X& `for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

$ k% [1 y1 k, C        for word in segment.words:
               
# \! z& X0 g8 `" r1 O  M----------------------------------------

代码说明：
. v  U+ @* Y3 w- Y7 w1，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。
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
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：
; f7 i- T+ i* J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
* |! s2 R% T' c9 D6 p! F7 H其中
* X& o% ]6 c) R2 n$ ?    word_timestamps=True,
; r) K2 p4 l! h+ u保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
- D: g& v& R) `! O$ U保证能尽可能准确的断句 punctuation，但是不是决定性的。
2 W! A/ g: o3 \1 N( K: f2 }% k其他参数可参考源文件：
+ d* K! A  B' Q5 phttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
, s5 w7 s, R" p$ |, q/ z5 Z从源文件你可以看到是支持中文的句号断句的。
% n  H9 i$ w5 g: J
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。
2 a5 r  K+ |- R7，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。
% Q& Y/ Q2 t& D- i


' B, x: Z* u/ Q4 z$ }1 y

nanimarcus

多谢各位榜爷打赏。