faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

- y3 Z' g8 h+ O$ g' t
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。
----------------------------------------
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。
----------------------------------------
  b! m$ e' z5 m4 z+ @. V# j4 thttps://github.com/guillaumekln/faster-whisper
& j, g1 m2 \/ y3 \# m5 `安装如下：
5 o/ p% _# p% i6 u4 E7 t1, Windows 10
2, Python 3.10.11
3, 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
6 W5 ?9 W  C3 B1 c4 J) t% V. {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。
- g6 A: w' L( a5 F) E5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
; Y7 G$ P0 u2 Y7 ~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：
7 {( M- v, t3 c1 J! t
  V( K- b% I/ i+ Z, }9 n----------------------------------------
$ l  ?" `6 e- ?* O* ?. C
) t3 \, \  }) X8 [from faster_whisper import WhisperModel

model_size = "small"
' B' z$ w; {/ y& N
model = WhisperModel(model_size, device="cuda", compute_type="int8")

8 a4 ^2 X, y* n! ~: ?segments, info = model.transcribe(
    sourceFileName,
, n( I0 ?9 C: x/ X    beam_size=5,
) {* z- M7 |6 _4 k6 d5 n7 ?    language="en",
. _- R+ }6 \# F! Q( S& S, D    task="transcribe",
    word_timestamps=True,
( A& P, z# o0 c8 [! k    initial_prompt = "Hello, welcome to my lecture.")
, n- \# Z. L  z1 q
for segment in segments:
) R: _- M  I0 a' H5 o    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------

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。
' S. @  v& Y: y& H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
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：
; I" ^7 M" t; t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
0 t/ @2 R0 P( u9 x% @( V  I( X其中
: E3 l8 T, d  s3 R: p2 R# d5 B    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    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：
# u( r- p, i6 _$ t, s  I9 ?% X7 Rhttps://github.com/guillaumekln/ ... isper/transcribe.py
0 D8 _, f% r" W* R  C( {4 J7 m152 def transcribe(
1 i. s, @' Q- h  H0 X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。
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。
' V1 A+ E3 J' }

7 S+ N1 Y, \9 q. M

nanimarcus

多谢各位榜爷打赏。