faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 y" w  D) }7 }9 D0 D; Z
7 A/ w$ T) l. 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。
" h4 H! l3 a! b) J" k. s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。
2 O6 V7 M$ ^1 p+ ?, v1 ^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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
3 g: F- J* g% V" _安装如下：
1, Windows 10
) r7 t3 m. t  }, @2, Python 3.10.11
3, CUDA 12.1
* J) k( T( \% d. v7 ~0 y6 N4, 在python 3 中安装
2 ^9 x' Y6 s" `. L7 hpip 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
这是向whisper 致敬，可以不装
, b+ X8 c9 k. y. g2 S+ x5 J6，pip install faster-whisper
----------------------------------------
1 c9 ]; V  s2 @3 d) |; @+ F* Lwhisper 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：

----------------------------------------
; X8 ]; d) M$ t6 D, Q! K
/ C2 @. K" a8 [% Ifrom faster_whisper import WhisperModel

model_size = "small"
" e/ U4 i: `/ d* u9 `1 s1 R
1 B+ ?2 w% T! }# U5 S, [model = WhisperModel(model_size, device="cuda", compute_type="int8")
8 A& x* E$ P9 u( z- t
1 d! @  d. s5 Q5 M5 |- `segments, info = model.transcribe(
    sourceFileName,
! g: l  @% |+ M  f8 m    beam_size=5,
    language="en",
4 p* M  G$ A* o, T9 z" R2 c2 m    task="transcribe",
/ J6 o; c+ U; u8 u3 Z    word_timestamps=True,
/ ^$ e  X: s; b+ V    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
3 a, C3 `6 o6 h% e+ Z5 S2 e# U               
0 C9 Y' p" ?7 q/ J& f4 i----------------------------------------
1 @- b4 m' \6 K/ I2 w" U+ w! H
  ?/ k! M/ ~: Z/ N  s1 g: y, u8 S代码说明：
' a5 E2 z. Y/ J3 D. \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。
3 X9 C2 n" M. \$ g& I7 W  [% l& q2，segment 本身是很粗糙的，做字幕勉强能用。
* ]4 W: l. K: u) n* w; J0 H3，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。
7 ^; O7 S+ \2 b2 O% W4，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。
- E' Q& t5 }9 N1 }/ J5，model.transcribe 中参数说明：
1 H7 ~" r4 [* k3 f3 r* w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
! V9 O0 P8 d$ v9 l) E, n# v其中
) c" D/ N( m% K- V# f! a/ ~! f, T    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
- o, ]$ p1 g" {4 R% G! j6 p  |    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：
# X  n0 ?5 l0 `0 h% c2 }' Xhttps://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。

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。
& W9 C* k* V3 ^: L9 o) |) m( G
& j- V) v* q5 ?/ C8 ^7 U

nanimarcus

多谢各位榜爷打赏。