faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

9 h  r' O5 L# M8 @. \7 M  n
! x, l8 _) n& G- C3 @% o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。
: z1 n% M5 q* p5 E----------------------------------------
2 e# S: m9 z: m& E# k! Q0 ^! @  R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。
! a3 q" V( l7 b4 ~$ m( p6 C$ d9 O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。
( @+ R7 c; ^4 @----------------------------------------
6 Y6 b6 K, F) }) f. |https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
/ m3 E4 {4 P' x9 B! U6 T3 v2, Python 3.10.11
7 ~- ~* c) J/ m3, CUDA 12.1
3 H7 J! T3 a5 f" b0 {- x( r9 v# o. U4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
  Q1 {0 g5 E  G9 G; G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
/ d2 z" B4 s& D( _这是向whisper 致敬，可以不装
6 u+ O, c" F/ W. M6，pip install faster-whisper
% L' V1 {3 H& q2 q/ W# h----------------------------------------
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：

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

from faster_whisper import WhisperModel

model_size = "small"
+ N% u  Q# F2 c& F! u+ U) |" B
model = WhisperModel(model_size, device="cuda", compute_type="int8")
$ g% K" n3 W  M) n% i1 l/ }7 G4 W; K$ S
; S! z. t& U' A5 ssegments, info = model.transcribe(
    sourceFileName,
/ N& E  g: A* n* J3 ]# M$ y" |    beam_size=5,
4 Z* V2 H8 [  ~( b    language="en",
    task="transcribe",
" q: o6 a7 b: D9 {% _    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
: `( a# R: t2 @3 M
for segment in segments:
( G# ]6 `9 W6 ]    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
* b7 z$ O, I; A6 Y% }
        for word in segment.words:
               
+ g/ D8 h" f3 B+ j- w6 ]' h----------------------------------------

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。
+ G1 |: e* U9 x+ p; {' A1 v2，segment 本身是很粗糙的，做字幕勉强能用。
- i( R7 b) Y" E: E8 {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。
! F  H. o. k; R7 D" t$ |5 c- Z4，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。
, Q7 `; Q$ V. {1 R( s% u; w5，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
! s% ?) n  A( V- R7 x0 |- C其中
* T6 T1 _' U, _, T! J1 j; y' A3 g" U    word_timestamps=True,
) N: ^; M" Q4 E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。
! v3 N0 v0 n  R# S8 m- H; e# o( {  p3 R其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
1 X5 H+ D- g# T' v) d/ ]/ ?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。
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。
  Y# ^! ~9 Y7 C7 _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。
% s" q0 {7 I! S4 {1 _# ?# x$ I. F" x9 L

6 `" ?  B8 l( q2 C. w! E

nanimarcus

多谢各位榜爷打赏。