faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
2 n' a: f4 P/ _0 z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。
----------------------------------------
4 H6 F  y* j8 D( @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。
4 z9 v  \: p* y1 w7 }0 R0 H4 i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
% [% D# S* Z7 v( H8 _& l$ x2 D% U安装如下：
1, Windows 10
2 x7 r0 }. K, n, O! S, v% k2, Python 3.10.11
3, CUDA 12.1
' B/ P0 c+ I# v3 l4, 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。
7 ]3 A2 L/ u8 Y8 a* _  E5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
2 O2 ?: \1 G& M& c* \, c6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
$ M' k7 a' |" a7 O, z( ]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：

----------------------------------------

from faster_whisper import WhisperModel
6 H8 g& a0 H6 y- L1 r; _
% K- u4 d6 G6 W0 g- N( Amodel_size = "small"
. L3 l) j  p$ d' F
4 P) u) f2 G' g" C$ Mmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
' N* x# ]' x0 X; R% Z
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

) q: l* H4 X+ qfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
( Z1 P! m( H# V' P8 a, N, l
        for word in segment.words:
( h+ v+ p: L5 |               
----------------------------------------

代码说明：
. D2 @; @# ]2 a* ^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。
" m; B3 T: t4 ~" I4 L* D2，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
' q# _+ t2 V& b4 O2 N' }+ k  E( [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：
: m3 o0 d" D3 H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
* w5 u2 C$ `6 J' ^    word_timestamps=True,
5 S0 T+ I6 t9 \$ Q1 h9 ~# i5 U1 D1 f保证了你能拿到 word，否则是拿不到的
1 i+ P, d: {1 m6 Z    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：
% t6 |  P# O, o- @https://github.com/guillaumekln/ ... isper/transcribe.py
2 b: Z1 u% j' V! ?  \3 p; n7 O152 def transcribe(
! S; g' t9 X* h8 ]; b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。
' a# v9 f( w& H, q' g2 F, I9 r8，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。
9 U4 b( D; E8 _7 Z
* }& V' c7 S8 P- l8 v0 E8 U5 I

" F# ]: R6 M, p

nanimarcus

多谢各位榜爷打赏。