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。
----------------------------------------
5 N3 i3 Q) p' E7 U, a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。
6 \0 z3 d* t3 M6 m( ]" a& L$ w----------------------------------------
7 B% U3 B* ~, L* whttps://github.com/guillaumekln/faster-whisper
$ y3 @5 |. M# G: P) U9 u- X安装如下：
( H: N9 j* t( {1, Windows 10
2, Python 3.10.11
4 V) P2 I; `' H0 t( p" f+ B3, CUDA 12.1
4, 在python 3 中安装
7 H2 h0 ]& j% x+ `6 X3 i  \5 L& lpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) v$ z, z7 g" u# J% M3 N4 v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。
  D# w2 E& ]$ J+ i3 w; w5，pip install -U openai-whisper
. M$ X) n! N6 C: C这是向whisper 致敬，可以不装
6，pip install faster-whisper
. [: f$ V- L# _----------------------------------------
0 g) O: M% e0 ]; O( \7 m% dwhisper 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：
$ s! `6 w& W+ ?: V
3 D9 }# q1 r" t/ q+ [9 o5 A----------------------------------------
: N4 a' l' v! `: u) E
: ?; ^. U7 J- g0 Bfrom faster_whisper import WhisperModel
' T( K$ J& S: R* e3 u# h
5 s9 Z. w0 G" P8 smodel_size = "small"
2 t1 \2 x) Z- B6 B9 F# g2 C
model = WhisperModel(model_size, device="cuda", compute_type="int8")
) W+ f  r  V( E  {% n- Q/ x) G
: W2 ^+ A' S# g) [: Tsegments, info = model.transcribe(
; Q# Y* M- k2 g" w8 g/ A0 Z; e    sourceFileName,
& t2 G* y4 c  ?) v! a  z7 s    beam_size=5,
    language="en",
+ s2 m4 D) _/ s7 n! `4 p    task="transcribe",
0 {0 {$ h8 o2 h) e    word_timestamps=True,
4 n: A) t, L8 w# z    initial_prompt = "Hello, welcome to my lecture.")
$ G3 g7 k! t5 F: x  A* O
) E  R- R9 m/ cfor segment in segments:
" T5 _1 z  |5 R7 @    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
! B, D! c0 d( T, x, M
        for word in segment.words:
4 |* T5 m3 S: m) G               
6 {6 q" g& W8 @. H: z' x----------------------------------------
! j) \  @1 g" [8 v/ }! ~  Y+ ]+ V4 X
代码说明：
$ Q, c9 p. V  d6 m" k) Q) Z0 o1，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。
  r) J9 W& o( t1 n1 w. V, F3，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：
4 i& p" f2 ]' r( {, r6 o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
- @( N) Y8 \" w* b/ x9 ]其中
/ h. {% q( p" A) o2 Q. D    word_timestamps=True,
) q, }; K, G! F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。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
" v, X' _7 W" \+ b1 s从源文件你可以看到是支持中文的句号断句的。
2 @5 o1 t0 V/ m: z& F
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。
& @- a# Z' ?; e7，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。
3 `- A# S1 g; c; _! n8，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。
8 k" N: W' ]* ^3 Y0 G+ s- s

6 T) \7 c, u& `# P" {( Q  [

nanimarcus

多谢各位榜爷打赏。