faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

3 D- \# R5 ~0 o5 h6 `6 X
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。
----------------------------------------
$ G! k, R. [: p& d) 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。
2 {3 u4 U3 \+ X  j, k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。
- [; n* p) [$ q( F8 W7 J' F----------------------------------------
7 K$ p* R) |1 I+ bhttps://github.com/guillaumekln/faster-whisper
" g& V! H; K4 C. f0 q安装如下：
: ~4 ]0 n+ _$ F/ e: u1 m# d% d1, Windows 10
2, Python 3.10.11
$ b: l- [7 m$ o$ q, N! C, u3, CUDA 12.1
4, 在python 3 中安装
" Z$ M/ u* v' {; A% Epip 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
! z  n0 @% }4 k  w% P, ?这是向whisper 致敬，可以不装
- C* O1 a  x3 ^$ s- i6，pip install faster-whisper
. d4 }- D, u/ Y5 D$ T----------------------------------------
( V1 o& ?% m5 d5 Z! A# y- Ywhisper 我用的命令行，faster-whisper 我用的是python。
: l  ~2 h' p1 D; l; F) \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：
: p4 h- p1 k' K& u" n; `
----------------------------------------
# ?! u$ |' t: D2 E/ l8 L$ v" A
from faster_whisper import WhisperModel
; ~4 f9 b) r& A
model_size = "small"
& Q6 q1 Q( x# T; V' P
model = WhisperModel(model_size, device="cuda", compute_type="int8")
" x6 r$ n2 }( b3 y3 |5 U% ~) m
, i/ ?: d$ N1 F9 J7 Z$ a# H  e2 f1 Qsegments, info = model.transcribe(
    sourceFileName,
% B0 ~- s4 O  M  m2 |8 M    beam_size=5,
    language="en",
    task="transcribe",
$ ?! B" F2 k! j- e8 f5 Q    word_timestamps=True,
3 N1 T6 q8 m* T" F2 {+ {    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
: p9 Z& l$ b0 E# ?    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
" p9 z7 K9 N+ D5 I& @0 I6 T
        for word in segment.words:
# X4 M$ ?  }7 Z( m               
----------------------------------------

: t4 p4 ?' v$ t/ F1 N5 z& k8 T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。
; j, m; [8 @9 r2 `6 Q: J' ]3 ^# @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。
) ~. C7 K) w# p9 B! F7 d+ m% p  S4，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
! H8 r- \$ Y6 f* ^) \" e2 d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：
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
0 w/ v) v1 D  m8 _    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。
' F0 D5 ]" L% C  G" q! X- p其他参数可参考源文件：
# _  l  b3 O# n3 G# Y! Mhttps://github.com/guillaumekln/ ... isper/transcribe.py
% A9 f: t% v$ W' [+ e. F& M6 Z* Z152 def transcribe(
' w+ F, o4 W% z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。
: H+ W& y& r5 p& u8，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。

2 B' K: o+ S- }; J* P( {' r& u; S

+ Q3 m0 c& i# n% P9 |5 j0 t

nanimarcus

多谢各位榜爷打赏。