faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

! e+ i0 |4 l6 D. ?% f8 n& k* ^
: ~5 J, L* B% k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。
& w* A% p1 ]4 ?+ o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。
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。
$ m& A9 f: h4 k9 I- [$ X, ^' j----------------------------------------
https://github.com/guillaumekln/faster-whisper
& T/ w% e+ w' R8 \安装如下：
( _+ d' D- |2 d. n1, Windows 10
5 o* N% \& L# w2, Python 3.10.11
3, CUDA 12.1
0 ?5 D4 u, S$ C3 z% G: t4, 在python 3 中安装
pip 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
5 b- |" n- B4 I( T4 i4 ~, d5 X这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
& x. y& z- G: I+ Z) uwhisper 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：

% @! G8 F' r" M9 q1 O, j' \----------------------------------------
, `5 w, i  o' r8 v( ]
3 y7 C: ?+ M6 a4 `, C3 `6 ofrom faster_whisper import WhisperModel

model_size = "small"
9 I. R5 u7 z( `. f
3 G5 {, Q( C% vmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
/ W! G- t" x1 g1 P. \6 B3 ^: @
segments, info = model.transcribe(
) o0 f( [8 T. T$ b- [3 {    sourceFileName,
+ L2 W7 p  z/ R7 F1 X% y" }4 H    beam_size=5,
( G2 b: @; c/ C/ n7 O- d  O. b# r    language="en",
    task="transcribe",
    word_timestamps=True,
' W, Q8 a* x" l' S( i1 r8 M6 ?3 c- k    initial_prompt = "Hello, welcome to my lecture.")

9 u- k# L% n2 Mfor segment in segments:
9 m, X4 ^0 v' @! }$ y5 f3 Y: I    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
& {, Z3 k' |" D" v; }
* Z0 T) x( n8 w( h        for word in segment.words:
               
----------------------------------------

  C; N% q( B! P8 l) M& V3 k6 D& j/ b2 S5 q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。
: y' `2 l, z" ~2 E1 c6 b2 i" n: @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
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
) i1 w0 J6 j( a1 x( w, f+ |- a5，model.transcribe 中参数说明：
% s4 z8 Q8 ^  X! X. ~& V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
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    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。
6 Q& G( s8 c8 X+ P  d' ?其他参数可参考源文件：
  h: U. r7 ~' w" g, g% c& h2 ^$ Zhttps://github.com/guillaumekln/ ... isper/transcribe.py
- Q0 b+ s0 C: b3 _  h  b; ~1 O152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
: F+ E- N2 Q5 a6 a5 J
0 A9 j  P4 @3 H# Q6，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。
$ N6 P: |% Y5 y  N% F9 S7 R2 F7，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。
& q) z/ I  W) t  |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。
! j" a' `. l# c
  F3 Z* s6 H  J/ ~
& C( E9 [" B3 |8 }
) D" r2 W. p, ]/ i" W6 C1 U

nanimarcus

多谢各位榜爷打赏。