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。
" {& r1 F8 C; m" j$ o! r, Z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。
2 i! C' U- o5 b  C----------------------------------------
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：
1, Windows 10
# R+ b7 j+ D, s8 m8 H/ N! b2, Python 3.10.11
3, CUDA 12.1
$ X5 e( z  a1 m' A4 y( B( K4, 在python 3 中安装
1 i. |, z# d" R/ K9 rpip 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
0 [1 f" Q2 b0 M6，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：
) Z4 _: E: e: X" {
----------------------------------------

6 Y, ^2 U. l7 x" U! Kfrom faster_whisper import WhisperModel

model_size = "small"
* S- y& m6 @4 x+ H3 f+ P
) t! t' @  S# m. z; A- t6 ymodel = WhisperModel(model_size, device="cuda", compute_type="int8")

5 u0 A4 O" F6 W/ @9 n5 _# ~segments, info = model.transcribe(
( n0 X. n4 \1 @: r! T2 U, v( Y    sourceFileName,
    beam_size=5,
8 J) E, B2 H) u, ]+ Z1 Y% M    language="en",
    task="transcribe",
0 {5 K- X: k. ^2 B    word_timestamps=True,
$ [/ b8 b2 {5 D( Z  r# i    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

8 w  {+ E5 w2 d& D4 Z. x% e- F. E        for word in segment.words:
  y3 M0 X: m' \/ v  c               
* U1 z; K8 P+ V! t! w0 p----------------------------------------
0 W/ V6 S8 w- P5 a" S, ~8 [
代码说明：
3 ~& B8 U2 v  P3 I! {7 W! I1，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。
* Z4 u; V' }$ t: ^; L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。
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
4 {& I( C+ J* p  @. u+ E, F- D比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
1 |' C7 B& c7 c6 v- w5，model.transcribe 中参数说明：
6 h5 L4 T# L: B0 C! o* B4 b1 c& v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
3 h, N* I6 y1 b4 a    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
& @5 J$ ^7 n# d. x/ ]5 E, k  X- \    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：
3 J) ]8 m, ?+ l  q) }! Q& nhttps://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。
' S  I7 N: O' v8，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。


. g8 i, U/ p2 T' z/ x2 w

nanimarcus

多谢各位榜爷打赏。