faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

9 h; N# s( ~) {% O' S/ H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。
----------------------------------------
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。
: i) j/ k3 w# j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。
----------------------------------------
8 ]: [0 D* y2 |$ Fhttps://github.com/guillaumekln/faster-whisper
安装如下：
# \% G3 x/ x; z) O* |# e: s% S1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
# A6 X6 B2 }% ^. h( _3 ]( M. B5 Fpip 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
& y4 A+ K9 T0 v3 I# G, Z5 D这是向whisper 致敬，可以不装
6，pip install faster-whisper
8 Q9 N8 W; S* N# L- a( @----------------------------------------
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; w- W, x6 Q% ?. j----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

1 G7 [# a1 h: N: Tsegments, info = model.transcribe(
$ S% |  r7 T0 K4 b) r    sourceFileName,
    beam_size=5,
& a' a8 K# N* x) C    language="en",
' d2 _7 J' }% |: B7 K    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
- p, C& ^, E  |, d# i! K
for segment in segments:
$ N& x9 b$ _  q8 j    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 h2 Q& o$ E( D9 o
) X& h, X0 l! {. h2 I( A2 X        for word in segment.words:
' |5 t# y) F3 \. _# n. c! Z               
% H. u2 i3 m- m* O----------------------------------------
1 U5 t: y4 V, L- f6 F2 I
  Y' N! S  Z7 _: w$ x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。
* r- R% f4 F' M, I7 t2，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
, V9 }9 u+ l7 ?* |$ Z比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
% t4 J/ P: m$ c8 ]$ j9 m5，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
- v% a: f6 D9 J3 m( v8 _. L: }# N" @    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
# W6 d# B- R! H5 c  ^+ [0 l0 A    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。
# s) k  a# D, o; O: q2 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。
5 b' n. P, S* ^# r% o( A
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。
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。


% O; h0 N2 @7 R1 D( [

nanimarcus

多谢各位榜爷打赏。