faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

$ X7 ~& ^; S& }
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。
9 k; N4 A4 F8 q- r) g0 ^" ?3 G+ 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。
8 o1 Z& @: {- m, _- ^/ \/ M----------------------------------------
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。
+ I! z1 F0 n* l. {8 m----------------------------------------
. k+ N: w2 S5 k# zhttps://github.com/guillaumekln/faster-whisper
+ I% j$ F' {. t) k安装如下：
- \! P; @) z* P! r1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
7 L0 `" p/ P3 a' J4, 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
这是向whisper 致敬，可以不装
0 G. ~3 y1 f( B1 z& A* ^" j1 i. |6，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：
  ^) v- c) J9 T
  F( \, g! ?8 g! o----------------------------------------
8 r- J  o. f7 f
from faster_whisper import WhisperModel
8 A7 f, f$ Q( L1 ]5 Z
model_size = "small"

/ ^9 s# X4 p% k/ m/ ^: ^model = WhisperModel(model_size, device="cuda", compute_type="int8")
0 j& O' ]. m3 s* [. t2 z
segments, info = model.transcribe(
6 [% F8 y7 y9 [- `5 n# g- }, O    sourceFileName,
. s  c/ t0 y& g    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
/ i1 A; x2 k: M0 V    initial_prompt = "Hello, welcome to my lecture.")
& D1 b0 a. y; P# r& K- X% N
& N1 P2 e7 q; s% {( J. Nfor segment in segments:
5 L3 t$ N3 k8 [2 Y- T: X6 e6 X    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
' ]3 X4 F/ o" ?" S) k9 {
: S  t/ d+ T8 }' m3 R0 ]$ v. W7 w6 C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。
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。
* U% y+ n" s6 q* z# N/ x+ ?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。
: w5 ?$ N0 B6 Y$ 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
! n) R2 q( C( [' O* J比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
3 u$ H: n% `/ E5，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
0 ]* E* J& i6 |- w+ N    word_timestamps=True,
# i  N$ G% F9 m- F+ k保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
$ l: m* b9 i0 U. c  T8 a( V/ X保证能尽可能准确的断句 punctuation，但是不是决定性的。
7 R+ B' n9 ^9 D# i9 P3 i6 C其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
: x! l& ^5 t1 R& ?. z, ~& J* z  `152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

8 n+ m6 W& o6 C- i) F- o$ r+ ^" j, i6，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。
  z$ R: U  E& V4 |3 Q, Q; l( K7，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。
! Z% J& n& Q) M7 b% G2 m

1 |  P1 L  x9 ^* D4 c! O- Y
3 x( ?1 i% k, |: F& P

nanimarcus

多谢各位榜爷打赏。