faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

: ?8 s1 V: k3 {/ m2 N
" P( l' [7 Y" }+ x3 s+ K/ a. A' o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。
$ X5 ]1 D3 y* g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。
) b# S, j/ y  `& q----------------------------------------
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。
. \# d7 I! Y/ g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。
----------------------------------------
9 C- E$ o4 f4 B  W2 g3 ]) U  ]  nhttps://github.com/guillaumekln/faster-whisper
安装如下：
! S7 i$ M/ p7 y1, Windows 10
2, Python 3.10.11
4 p  Y+ n3 f0 p: G3, CUDA 12.1
4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
1 m$ G$ c  T8 A+ r. z. I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
6，pip install faster-whisper
----------------------------------------
1 u' Q, ^$ n" X, I0 vwhisper 我用的命令行，faster-whisper 我用的是python。
: i/ ~% }, d" k2 N# K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：

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

2 n* V- j4 Q8 F! f3 Z: k8 _+ Afrom faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
& u# b) g/ B1 g. E5 R. ^
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
7 a0 u4 ^0 Y+ w+ U  [    language="en",
    task="transcribe",
    word_timestamps=True,
- {& |, E3 S" ~) }( N    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
% H+ }1 o3 s8 }# N" I    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------

" k$ Y: B1 z; S8 N. T% q& C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。
2，segment 本身是很粗糙的，做字幕勉强能用。
, @% t( f- ?0 U+ D$ X3，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。
, M1 T! X% ^1 m2 h4，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。
* m5 d: V5 F0 v7 _3 v- x' L5，model.transcribe 中参数说明：
/ m! c' F& h: _; J4 G/ U- a& |9 s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
% ^2 o0 R+ w" P% L; ?4 o+ M7 h" ^    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
; I6 q# l: c4 `/ t$ L5 d    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：
/ w6 Q. N7 m1 U1 F  h( zhttps://github.com/guillaumekln/ ... isper/transcribe.py
3 g, |/ U: ]$ E( h152 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。
9 ?+ n/ S2 w8 ?' F8 p7，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。

, M' D1 [% }$ k8 {! z3 X

3 G+ Z. _, ?! r! A% C; y' Y# L

nanimarcus

多谢各位榜爷打赏。