faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

& Q6 V7 s' ?/ m* a$ E
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。
+ n1 T8 j  b! V# C, V- Z2 V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。
' B6 T7 {6 e- X& s- a----------------------------------------
! B1 F# [6 I1 R/ ^% 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。
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。
" `6 K# x$ a6 ^: M----------------------------------------
1 N' J* b% H/ Y. m# Dhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
* s8 f% O% w5 a! M2, Python 3.10.11
5 A8 v( _; [$ F% @+ c3, CUDA 12.1
7 ]7 ?: @1 A( a2 h2 y$ s4, 在python 3 中安装
7 P, }' D; v7 s5 jpip 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
+ v+ N1 O4 T# A5 i/ ~6 s' ]3 B+ L这是向whisper 致敬，可以不装
0 d' ~, v" Z" |7 z$ {5 x6 |6，pip install faster-whisper
% k) b0 Y: K1 j----------------------------------------
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：
$ O$ F& ~8 a% {, r7 e  I
( D/ Y: ^' O7 j+ K----------------------------------------
6 B" H. W, J3 v& E: ^! d' e2 C. j9 s+ [
from faster_whisper import WhisperModel
) s/ o5 _) e. b/ I& e& k; n
; `! g* Y5 U+ Ymodel_size = "small"
2 s0 q* j3 W5 I) [# H8 H
- a/ y3 B: c3 `" bmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
& v' E7 Z7 m9 r- s' Z3 b    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
1 l5 L1 Q: w* Y    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
! C8 G" e- O, p
        for word in segment.words:
* ^* _. B( Y7 Q" a  m: Q               
/ Y/ _1 X  o% D; y# m----------------------------------------
! x0 i4 _# R" X# ~" V( x
代码说明：
2 q6 c: ?& Y; G4 a- y1，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。
$ c# I# ~: o# F2 ^) L1 U0 x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
# x2 F/ k( R! W" C比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
  R: x- h, S. ^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
# Q% Y- d* }  `$ s3 b    word_timestamps=True,
) y$ n/ Z/ c  ?5 ~保证了你能拿到 word，否则是拿不到的
3 f. T+ ^- T* W) J4 m- M    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。
9 X* I+ C8 o' b# p! [其他参数可参考源文件：
' @4 ]$ U3 T8 h) D8 j9 B+ i3 hhttps://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。
. N/ k2 T0 \  i1 b. |
+ i  L  @( X0 }# H6，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。
* l# o- _4 J% q, E/ p0 y7，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& O" y. ?# _2 C4 o2 X
: M) D$ _4 ?# J6 `! S3 M
- ^  A( b5 x) L- ]; n

nanimarcus

多谢各位榜爷打赏。