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。
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。
1 v7 _  D- Y2 _+ [; @----------------------------------------
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。
3 h5 N1 e3 m, [: y' \----------------------------------------
2 o9 v2 q$ O/ O  V* {) }- L& h% _https://github.com/guillaumekln/faster-whisper
安装如下：
0 P0 A9 F( }7 L; B( L1, Windows 10
; e" Z( x; W; n" ~2, Python 3.10.11
3, CUDA 12.1
& S6 C8 R8 w5 b; n+ i6 _4, 在python 3 中安装
  g( w$ Q- S3 q% _7 n" dpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
; O& ^4 s& w7 X* C, I# ^; V- _) f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
$ x2 X" g$ E7 t- b8 `+ x/ H6，pip install faster-whisper
; }9 Q" [' d- _6 K* A* }----------------------------------------
) A) _6 l! ?2 n% a# E5 S; E/ hwhisper 我用的命令行，faster-whisper 我用的是python。
5 x$ G/ O, v' ?6 I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：

( _$ m) u+ u, ~0 s0 Z7 U( v4 _% p  }----------------------------------------
- I8 M2 C( b) Z% t3 \- j# m
4 N6 ]5 A0 Z" ~# N0 Wfrom faster_whisper import WhisperModel
# U" ?: m1 W/ C% M& i- d
, t9 Q& t6 q- e& h4 K. X9 ^model_size = "small"

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

3 f3 v+ U/ s6 S- k) a% `segments, info = model.transcribe(
    sourceFileName,
, S" b* B( M) h2 A1 q# O0 c( x: a5 V    beam_size=5,
* v5 L) p3 ]1 m4 y$ A* d: Z8 Q    language="en",
    task="transcribe",
4 t- f- C9 }% K& q0 C/ {( |; f2 Q    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
' _% X5 }; c2 p$ d+ l! F    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

8 q5 |; e/ U( W$ e) j6 E4 Y4 Y        for word in segment.words:
               
/ B9 x& U* R% e  ]$ O  E* Z' t----------------------------------------
" k1 d2 B0 p: N
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。
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。
" F2 B4 I( e; Z+ }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。
2 X2 P' I" G8 Q/ {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
8 e3 g4 C$ s- {, ]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：
+ M' T( G- Y1 n: L6 u: D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,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
6 ~1 P" d6 o- P1 o1 x) j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
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
! e) j7 r7 E0 ?) f
: P% ^5 ]! ~4 F. Q+ w- t3 y0 C% G6，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。
$ d/ Q% u# G/ X2 M7，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。

; |4 d5 U# \! W
7 G( o9 q: v- C. L: i- h- @

nanimarcus

多谢各位榜爷打赏。