faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

) h1 k# Q5 L$ i7 \& r
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。
! A% {5 P& H7 ^; J: R3 o5 J- e----------------------------------------
) f7 P& A. T) u* i  ~6 I: A3 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。
& e. X. n2 F, b# E+ c4 ^) {+ d+ ^& m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。
2 t  C! Z" P' |+ g----------------------------------------
5 u1 g# U: Q8 \/ rhttps://github.com/guillaumekln/faster-whisper
( w. U) Z. L8 V6 ^( s# G+ K9 o, x安装如下：
/ l8 z8 m1 B, }" t1 V( _5 p0 C1, Windows 10
+ M' U: d  z" D# F3 x5 c8 e2, 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
. D% k9 e3 |" r9 _- v3 }% D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。
! R& x! G: y" {% g: t5，pip install -U openai-whisper
4 U  U* Q7 u  \8 e这是向whisper 致敬，可以不装
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：

5 v9 K8 r8 t" h7 M----------------------------------------

5 P* b5 D  @6 \from faster_whisper import WhisperModel
2 ^, K9 S3 }$ \
) _) |1 ]# I  ^3 T+ |  \" ?model_size = "small"
+ x. p/ P5 o: x! ^4 B
model = WhisperModel(model_size, device="cuda", compute_type="int8")
) ]$ ^) I, L1 t! |/ {7 `$ F
: P7 K: T) M, C1 W7 `0 \0 Rsegments, info = model.transcribe(
: B. k% o/ s8 `    sourceFileName,
# H9 C" b8 I: k! f: G# i8 o1 L    beam_size=5,
% ?8 m' @% X5 e/ a. @- I    language="en",
1 P1 E+ ~1 i9 l4 B; N) Z    task="transcribe",
    word_timestamps=True,
0 q0 t3 q+ p! G2 R! L/ n6 C3 N    initial_prompt = "Hello, welcome to my lecture.")
* _$ w7 [( I0 M# }) z! H) R4 W
for segment in segments:
/ t$ H! z2 k. x* k# k: @' i    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
; K9 V$ m( y- d' `
; p$ @6 V+ l4 p/ g        for word in segment.words:
               
3 P& j0 z3 [3 G8 l: l! M2 Y' T/ Q----------------------------------------

4 O- J2 Z4 m6 U2 s2 [代码说明：
$ g1 x7 B; a. m) j- _8 w1，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。
  n7 ^% q/ T" T5 E# h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。
5 c  ?2 S2 v3 o2 n# k3，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
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
' f& e- `( o0 p  u2 W/ m) R: L5 J    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
. }( h  G1 T, z$ x0 e3 d6 I    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。
其他参数可参考源文件：
6 G+ {; E  ?, G+ Qhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
, s' H% X- ^7 R( ^7 _% m从源文件你可以看到是支持中文的句号断句的。
7 r, W1 r& G( F2 C5 e4 U5 t8 a: Z/ J
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。
3 K) j9 U2 p9 c; _* g8 X2 o  B& g8，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。

8 o# _8 b) T& c
: g& `( X4 k- O1 W, M5 z
% c; Y& ]9 }4 v

nanimarcus

多谢各位榜爷打赏。