faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

) T8 r1 E' t# R8 O& C
6 f5 i6 }" D$ W) V2 R, G( V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。
  l# w8 ]: b2 Z( p( t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。
* I. z! \. y* r# N----------------------------------------
" B9 y4 g! D7 n* j, b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。
3 f% Q- i/ s- g% f0 e, X/ A----------------------------------------
  Y1 o% O& F2 [; ihttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
5 o) s1 r/ M/ C0 |1 o4, 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。
% j. N/ z/ `$ Q  s1 ^" e: J& j. q5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
& t& g. r1 k) G; j7 Q! E" _6，pip install faster-whisper
: L' L1 s- h3 s& r4 y----------------------------------------
; i$ q% C* \  a$ W  ?+ n. ?whisper 我用的命令行，faster-whisper 我用的是python。
2 i& I; H- b4 k  q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：

----------------------------------------
0 R2 G4 N+ C9 O& M! M
5 A, V* d3 e4 F6 [from faster_whisper import WhisperModel
/ N9 [# j  F% r& k4 o# ]
7 v& r  R& [+ c+ b$ ?model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
; u* T9 ]) v# l: G3 C    sourceFileName,
    beam_size=5,
    language="en",
. z$ x- R% D8 ?( b7 |    task="transcribe",
. R5 r* f) ?+ o# _) T4 \- d    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
% ^5 o; Q6 B, }, [$ N7 ?8 S6 O
for segment in segments:
& v% z: b+ O6 i/ \    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

; S, g9 Y  A! o- F        for word in segment.words:
4 M' M; }2 _' V               
----------------------------------------
  V9 R4 l, R( D0 u5 u
# l! D+ Y5 s4 m4 b$ j代码说明：
- J- I0 l& G$ e0 v0 I1，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。
( ~, `" D4 H; }+ d' n) y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。
: Q) [; M# c+ y* ^% I2，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
+ |. X2 K" A! e+ q0 T  Q比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
. ^1 l4 b  V2 p* e. o) Z4 o5，model.transcribe 中参数说明：
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
; @' w& P! W4 U( V. Y* b其中
: E; ~* B. d, k1 k# c* N    word_timestamps=True,
$ L3 ]! K& I+ K8 J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。
& n! |4 Y- o7 K# r9 ~8 a其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
$ @6 G7 h+ v, b* i; B$ g! i: M从源文件你可以看到是支持中文的句号断句的。
) n% B. L8 m& A& x. w6 B
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。
' V8 x% x  d1 y0 E; L7，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。
* N6 `1 U2 R" M! P; S+ T9 N+ i8，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。

5 r5 e, r+ g- X* H% B, W+ K
: S3 D$ W; l) f

nanimarcus

多谢各位榜爷打赏。