faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

/ h8 m: Z( F% u; n. L1 G3 a( 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。
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。
----------------------------------------
3 U0 m& e# u4 T% O' M2 l* o7 |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。
6 j$ h+ v* d' s6 }" V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。
- Y* r- T$ E( r----------------------------------------
. z/ W0 a' O4 d  Ghttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
/ @; X! \- W2 P+ Xpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
0 f9 Y" c/ ]: l0 Y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。
0 T7 M4 h: f6 ~% r& [+ S2 K5，pip install -U openai-whisper
1 I) h( X/ j2 T7 Z, Z/ w5 Z这是向whisper 致敬，可以不装
) ^* f% L1 Q6 z* F0 Y6，pip install faster-whisper
2 S: K- f, T( ^# |! L* n----------------------------------------
! W9 G& y/ Y5 awhisper 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
$ b5 e+ V, X' b( k7 B
+ k3 N2 X" m& B5 v$ i% n$ Dmodel_size = "small"

( g3 I% r% d* d' P# ?5 \) s) r- umodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
+ g' _& t& c& r# `    language="en",
4 e2 `, |/ A* {$ W1 i& [$ s5 a6 u    task="transcribe",
# u3 B4 [  e0 o2 J9 a+ A    word_timestamps=True,
& e8 t5 @. M1 Z. v    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
9 p" j% Z. W: \1 B- Y    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

* l, L( @( R& L4 z$ k4 d: ~2 `  D        for word in segment.words:
               
) m+ U1 c" w# O" R) p2 F4 Q----------------------------------------
3 O+ N7 Z( w; ]
- n( D9 _/ _8 B  o$ f3 I0 X- `代码说明：
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。
( @! W8 L' ?4 X" ~# E+ _6 D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。
# U  Z3 y( j( o" i' {4 U4，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：
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,
/ _1 }" W3 L8 w  y* \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。
0 j  R: U1 K# X( Y. e其他参数可参考源文件：
) P1 k  C; c: K/ F' W# ?& fhttps://github.com/guillaumekln/ ... isper/transcribe.py
2 Q+ x/ P7 m5 L; l: l152 def transcribe(
7 V3 g4 ^7 I0 K: c8 ^) y8 s% T从源文件你可以看到是支持中文的句号断句的。
4 D1 X5 n+ l9 X
8 m% ^- o' @- z* V6，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。
, c, J9 R6 z' ^4 e% [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。
1 I, S1 [, Y9 m
2 i: k1 O* G/ U+ ], X
- y! N* I* c6 O7 v
5 q# ?8 \, |- R5 \! P- M. I

nanimarcus

多谢各位榜爷打赏。