faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

8 ~+ v8 O! N' g( w& o
$ |+ {: u) ^/ D: a  O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 F2 M. g) Y, x' p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。
" U4 y7 f6 O7 {$ y6 j$ @----------------------------------------
. p! N8 q2 }" {$ G7 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。
  A  {2 Y- {: B2 R7 j2 o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：
1, Windows 10
% p' G4 M* t2 I  k; T2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
# i5 X4 C" ]# y& n" epip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
+ a- |- o0 g* P7 f' F- ]  p3 M) p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。
, H4 N! I, h$ b- R" M# v/ ~5，pip install -U openai-whisper
* S0 U! Q7 [. R- Q! W3 Z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：

8 c  p- c% y4 j; P3 i1 }----------------------------------------

% p  L) S7 b4 R) i1 V# Z' _from faster_whisper import WhisperModel
! ]) L) B0 q& D) `# G# G
model_size = "small"

! m8 y% H, k) p, G/ M+ k5 \" umodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
! i  e1 y' `3 k3 y0 ^# \    beam_size=5,
    language="en",
/ M* S" w  g0 {# [    task="transcribe",
    word_timestamps=True,
' e7 t  B: [% P0 G  K6 @    initial_prompt = "Hello, welcome to my lecture.")

. u' c& Q; R- u0 Xfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

) r) ?! w9 k4 L        for word in segment.words:
' y) X0 q2 l) ~+ }( Z$ Q$ D9 M7 T               
----------------------------------------

" v5 d5 i' e1 ?, W% O2 O代码说明：
) C% \. m, y9 L1，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。
# u' X+ d+ s) K4 ]' C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。
+ {7 ^5 }& r0 }- }' ~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：
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
. E: L' X# f4 T9 L0 L3 J" e  g    word_timestamps=True,
" m, a" Q5 \' L, l( T1 A8 Q# g& L保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
0 h9 v7 g1 B: o! X4 V& U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：
, T- i/ N' I; y2 H7 g8 ^( i; qhttps://github.com/guillaumekln/ ... isper/transcribe.py
7 t- O2 @7 \. h: ^& ?9 G% ^( `& z152 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。
" I1 M! B' y7 [) Y; _+ _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。

- W! T3 x, d  o# X
' D% ?: P& n0 |8 Z# u0 k. X4 [6 b

nanimarcus

多谢各位榜爷打赏。