faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

, W, [: k# W" n" I! ]
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。
! S+ T' b7 Y* q5 \# m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。
4 B- V; m; k8 L4 j----------------------------------------
. W. c/ d+ K7 P+ q+ e7 t* 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。
6 C3 H2 X. T7 n1 Y; h( ^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
' Q0 r4 z0 f) H1 ?安装如下：
( @' M; k: a, H2 n" }; s% h1, Windows 10
8 h! o' f# @8 S. v" ]0 v; g+ L0 [* {2, Python 3.10.11
2 B1 m) t: r: [. ]2 q3, CUDA 12.1
- Q# r* y# O. Z: M$ n% m4, 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
* W/ X$ }! U, M这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
8 p8 U/ a- F: y. Wwhisper 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：

, d  d$ P5 X4 l0 i- I4 H6 P, R* a3 {----------------------------------------

6 M, W$ G% Y' v! U2 jfrom faster_whisper import WhisperModel

* I* f0 ^2 s$ A! n8 _! K6 umodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

5 n/ n: E: q3 y9 zsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
* Q( i9 Q- ^0 C4 J0 ^3 |5 U& O    initial_prompt = "Hello, welcome to my lecture.")
4 y$ `+ U( h; ^. B1 `; Q* ]% m% }
* m/ ]& @4 v! ^& bfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
5 v6 l7 h" v7 s5 P4 j& U' E               
+ T) k# n5 W0 L9 q" J- j* L----------------------------------------
6 @$ O! m6 b# g: K1 ]
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。
: o7 B/ B- j0 L: m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。
/ E# ?- f- I( x/ t% e3，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
: d3 o  ~/ l3 r( M5 t3 Z比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
% @' e3 q  O# E: h" o, Y/ u4 m5，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
    word_timestamps=True,
& H6 j! R( A9 o! A# ~& [5 W; ]: m保证了你能拿到 word，否则是拿不到的
- s6 [" |, H9 v* t2 ~! `0 r# F& g    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
. {( L0 E$ V* B2 X+ v! R; N152 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。
% M% G, j* |! F' U1 @$ a8 Y* S7，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" u# W9 F- e: M( }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。
- u% q5 E8 I5 [) v) p" E5 ^
( @: q% W4 C+ |3 O

nanimarcus

多谢各位榜爷打赏。