faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

: D$ a- w9 m5 m$ U1 ~; v
5 V7 o, q% h0 q* {" F" ], f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。
----------------------------------------
6 d- _: f4 f5 ?8 r& _9 O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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
3 r6 m% ~/ q' t0 u; t0 E* q7 a1, Windows 10
" h3 P8 B2 [8 v" s# t9 [4 [: [# D2, Python 3.10.11
3, CUDA 12.1
" T0 `# g$ |2 n/ W. _: `# B4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
' `# ?9 R+ K4 u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
3 z0 \, F0 C: L6 t: s3 y. V. E这是向whisper 致敬，可以不装
% D( p7 F. [3 b' g6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
: c1 }" K% N% u& J% D6 s, y" ?- c4 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：
7 d3 O" H1 {1 g
+ l1 }  J. t% M' f----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"

+ e3 L0 e8 d9 Y) S: ^1 amodel = WhisperModel(model_size, device="cuda", compute_type="int8")
- n, }8 T: o5 ^1 \) A+ y* ~
segments, info = model.transcribe(
4 k" s5 r% h  p. g7 o$ R2 u    sourceFileName,
6 Z6 N) T3 X9 {* G( p( i    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
3 S/ }: C  E4 X- j  `    initial_prompt = "Hello, welcome to my lecture.")

$ N$ w, }. \' O8 g  ]" Gfor segment in segments:
+ m) o2 x$ P8 R) G% G    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
+ @$ s! c. C9 y, D% U- _. k$ s  a
* }) o/ R" @; S0 g        for word in segment.words:
9 ?# h) E  n2 {               
----------------------------------------
% z6 Y/ F. m/ S) U3 ^5 k  C
代码说明：
& J0 e! y: ?8 y* e9 k. y1，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。
$ t6 Y" {8 b% S9 a8 U' V/ N' B, U$ ?2，segment 本身是很粗糙的，做字幕勉强能用。
) D, {, d7 Y) X; a' r6 o$ {( Z3，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：
1 z: v$ @6 _3 V( w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
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
3 C* G5 n: S6 ^    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。
1 F. Q1 M, e0 x) n6 |5 r其他参数可参考源文件：
4 I* _4 v* q! q4 w8 Rhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
4 A% z' {% [: ]  x2 R
8 C# L0 G1 P" I5 _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。
+ ~% ~8 s8 I  ~' v8 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 _* v# k, {+ d4 v4 i- ]5 b, ~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。

nanimarcus

多谢各位榜爷打赏。