faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

: u* J* Z' I5 d0 `3 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。
# R* [+ a: a- R# A) d5 }& F: ]+ }4 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。
----------------------------------------
! T& F3 m$ V! G0 E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。
+ E9 Q* [) a0 C/ X; t2 G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& J8 `6 N( ~$ z----------------------------------------
0 h( v* V& I) {3 ]% jhttps://github.com/guillaumekln/faster-whisper
( [) p4 o7 I; r: i9 ^8 `安装如下：
1, Windows 10
2, 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
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
( d% _# v" z: ^  s9 M6，pip install faster-whisper
" G* O- M) k! ?6 P# l----------------------------------------
8 Z6 q; J  r8 b3 F$ nwhisper 我用的命令行，faster-whisper 我用的是python。
. q, I: {$ b0 j+ m& l0 F5 m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：

----------------------------------------

: l* g2 S. v! [  Q- @from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
2 s6 r2 e' o" m% ~! V
segments, info = model.transcribe(
" E' I( y- L- _1 @. Q    sourceFileName,
2 o1 C+ C4 H6 F3 `+ n, ^    beam_size=5,
. D7 T( M- N) L7 q* P5 a6 h# Z: a    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
# a3 s' q; A" w
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
% t1 M6 V2 p7 z$ ?: [1 B" ~
( ]6 r6 k% Y0 B: }+ Q4 k代码说明：
  n' z3 \4 J. S# \7 q' R1，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。
, S7 F* ]- e$ k' F9 m+ {" m4 |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。
) Q; R4 ~; i3 n' L4，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
: g- {9 d1 Y) W! t比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
$ H; G8 M, d; T) {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
( ^5 m1 r" o- m7 [: z1 e9 j    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.")
保证能尽可能准确的断句 punctuation，但是不是决定性的。
2 U6 p8 Q1 W5 z+ S) K3 _5 ?5 v! @其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

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。
/ R2 s" u" L3 r5 C7，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 _3 {1 I* x: |/ Z) `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。
3 B$ V; W4 W& I0 B  S! _" j0 E
5 t7 N& k' j+ d. d4 J
9 [; Y' F2 q7 y5 {; \9 w! p

nanimarcus

多谢各位榜爷打赏。