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。
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。
% V5 J9 m4 d1 d' n9 q$ {7 x+ T1 p  F6 \----------------------------------------
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。
----------------------------------------
  W! |! s* ?) N& y1 Hhttps://github.com/guillaumekln/faster-whisper
安装如下：
# b) E7 m; ~9 q, _  l: z1, Windows 10
2 H& x# a' \/ S/ r- f0 L2, Python 3.10.11
- P6 j7 M+ Y2 a/ L5 N3, 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
& t) L" M8 p" s* T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。
1 M5 ]. G( {( H2 \: W9 q5，pip install -U openai-whisper
" y5 M3 V. ]# K% p! K9 r+ W这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 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：

----------------------------------------
) N9 k: _+ M9 r/ k+ f8 O
from faster_whisper import WhisperModel
' L% m- Y0 `+ W* T: _  h$ f  E
model_size = "small"
6 {& `+ @2 o4 {$ |( ]3 [
model = WhisperModel(model_size, device="cuda", compute_type="int8")

% B3 Q8 u) k( w: C# N( wsegments, info = model.transcribe(
    sourceFileName,
2 K8 ^8 l4 O% c0 @5 B    beam_size=5,
    language="en",
) W1 d8 r/ {3 ~) A    task="transcribe",
    word_timestamps=True,
- @, r# _. S6 D3 U. [. Z    initial_prompt = "Hello, welcome to my lecture.")

- t. y1 p0 i5 C: i' d$ |4 E1 E' b  \' D' Bfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
4 u; G4 H: Q5 N9 G- V! p% t
/ I8 c/ }3 Y. x1 z3 G( t+ `* e        for word in segment.words:
7 _2 O/ o$ n8 E5 I* [7 x               
5 y' v5 _/ ?' [( f' [: v, p----------------------------------------
1 I: W4 M8 t# W
代码说明：
/ Q9 R1 @  a9 t: }+ \: c: 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。
* G, L  N2 \9 K7 r0 m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。
5，model.transcribe 中参数说明：
  \+ G$ l7 A: X/ e: u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
% i8 Y5 p7 V6 f, q6 ~8 x/ k* |其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
' w0 `; o; q& p1 e% H( w    initial_prompt = "Hello, welcome to my lecture.")
6 {% x; I" J4 l) Q$ S& n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：
0 Z& [! F$ L+ n/ H6 n  phttps://github.com/guillaumekln/ ... isper/transcribe.py
, e4 h' W3 }0 @3 T) w/ B0 f; k152 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。
$ s- ]& D$ S. i& ^" g! V

4 C7 o8 O0 H  n. k

nanimarcus

多谢各位榜爷打赏。