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。
3 A& r6 j% j1 X( |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。
$ k5 t  Y& U8 `7 U8 R) s+ |3 `% y+ ]& a----------------------------------------
0 |: v6 h$ F7 M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
" Y5 s$ b* d, l2 q% K+ I3 _安装如下：
1, Windows 10
; y/ Y4 n4 l+ g) l7 z& Q. y8 x2, Python 3.10.11
# b/ f8 \$ k# r9 f4 `9 |: Q3, 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
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
这是向whisper 致敬，可以不装
6，pip install faster-whisper
, t+ @0 j- k4 z1 ^# O7 `9 m* s----------------------------------------
  r! a9 ]! ^4 Q9 @0 jwhisper 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：
1 x1 D9 r9 _* X5 p7 R9 q2 D
) z) W( N* s" N) [9 y) d9 z% s----------------------------------------
  e" h! s2 ^- {8 Y. `
from faster_whisper import WhisperModel
4 _. g; x1 |8 x! J! |3 y  a
model_size = "small"
6 ~4 ]% W1 J' p. U9 p; F$ H6 }
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
7 ~& i/ k5 g( x+ s  h( I    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
& c" i& y# G( d, V- W) e3 ?
        for word in segment.words:
' J& W' P) V  ~2 Y* p0 l+ ~               
0 D/ S* D/ U7 ?' m. w----------------------------------------

代码说明：
* d* }3 k7 s0 I; M1 Z' ~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。
$ V: r7 N0 b, o3 q9 K6 H3 _. A3 l/ Q2，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。
3 ?) x4 G  i& L% P4，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
" X* w- {5 q( w1 \6 `比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
0 V0 j& A% U+ v0 H0 \- ?% M7 R5，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
7 h" u/ [8 \8 a8 Z- \其中
    word_timestamps=True,
" w: ~9 o) b- o5 a5 z7 E保证了你能拿到 word，否则是拿不到的
6 ?7 {2 S/ U6 [. R8 Q; u- s    initial_prompt = "Hello, welcome to my lecture.")
. V, f2 t# h, Q7 b) U. I7 t# P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：
7 i% E4 E% e2 I; X( X7 ]9 ohttps://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。

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。
1 S, @  \  y" ~. a9 S$ U. L2 T8，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 C+ K  K  G  \6 l* a% ^2 I" w- n
& X' _7 f2 i# I- ~% @  _2 M" k

nanimarcus

多谢各位榜爷打赏。