faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; t3 \6 N# q+ g7 w  G
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。
8 ]' u+ A# Q7 ~1 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。
----------------------------------------
% [; p  t% x+ H1 G3 B, P& ?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。
----------------------------------------
& q" ?5 @" D  b+ L# Ahttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
8 X% m8 a' c2 y. l+ F  X4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
2 P) p, s2 ?" w- E% A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
) K8 O' H5 w' ]4 {6 @0 _. y0 U4 ?这是向whisper 致敬，可以不装
6，pip install faster-whisper
; `: a- {- L8 s, a3 `----------------------------------------
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：

: h' y2 P* Q8 q! x1 i----------------------------------------
6 y9 V+ @4 U& h$ x+ D7 D
from faster_whisper import WhisperModel
8 P. S: d- l. T+ x8 e  d- u
model_size = "small"
( V( R6 W/ D0 D# v
model = WhisperModel(model_size, device="cuda", compute_type="int8")

! _  ]' z9 r) D" T- s* H* fsegments, info = model.transcribe(
! d4 i- c! D0 \$ |9 t    sourceFileName,
    beam_size=5,
  m. U) t6 Q. F: T    language="en",
    task="transcribe",
    word_timestamps=True,
0 e& k# P, h( [0 c& t    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
' r: {! Q. j  h4 |    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
5 Q5 J' F+ [" Y5 e
        for word in segment.words:
3 ^6 s# C* }: y/ j, i5 A0 a& c               
* x7 F5 U' {% G$ `% e----------------------------------------

代码说明：
2 E+ s& {" ]8 K" x5 V1，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。
2，segment 本身是很粗糙的，做字幕勉强能用。
  x1 K9 F) V2 f! B9 c3，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。
+ Z8 U, t! x( n3 ~( }5，model.transcribe 中参数说明：
8 O& f4 i. r& }% Z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
" z: p7 o4 w, z* S2 `其中
( x/ [8 V0 j5 c) X2 M/ u6 a    word_timestamps=True,
" Q, p3 k. p  H5 `1 C( v保证了你能拿到 word，否则是拿不到的
1 i2 g6 c! d/ c! X    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。
: o& V7 |$ M9 t- s其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
' [! e7 \' H0 `! F" @' ~152 def transcribe(
6 V8 S5 H0 q% J/ X8 W从源文件你可以看到是支持中文的句号断句的。
; t* g8 c& G8 J+ d9 t  E
' o, K  T, j1 M; r6 R$ _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。
* L' J8 H8 g3 ^- F( g) w8，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。
" L* F' L! h( L, W  o, d4 X! \
: q: a" `8 J' K  p5 b; ~

& Y, C0 v5 S' q( ^

nanimarcus

多谢各位榜爷打赏。