faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

1 D( _& M+ a9 ~% }6 O$ Q/ d% C+ w* A
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。
6 X" ]& p( H- ^1 [$ X" M( ~----------------------------------------
& r3 f7 U; |1 v/ d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。
0 g# |) N. Z$ }4 ?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。
; \& D5 R# W$ p# g----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
$ q2 j, _4 u9 Q. B1, Windows 10
; @% @+ }8 G9 X1 ?8 }, e6 o2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
; T# ~. ?' w7 O% Upip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
, ?* z! W# D6 ~5 P/ S8 l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。
2 Z: y: X0 ]5 |( R5，pip install -U openai-whisper
" m7 y" R. i9 S+ F, J3 Q1 B这是向whisper 致敬，可以不装
6，pip install faster-whisper
0 M6 A) @: V5 z; g5 R% d6 D----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
: p/ C$ j' T$ \9 Y  b3 t7 n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：
/ T; U: o2 {+ F* c2 r( W
----------------------------------------

from faster_whisper import WhisperModel

4 }. `- J% k! z5 a( Omodel_size = "small"
9 f. i! x% W: l: _2 [
" {! r, X& B9 W2 Y. T$ y& umodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
% p5 |8 `: ~. [    beam_size=5,
: c% N$ f( q, V$ n$ m$ v  K    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
/ p- v* k  M6 T1 ^' \# H" j
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
' G8 {; A9 ~  h' ]4 M4 J3 W
        for word in segment.words:
               
2 J1 E1 q5 N; \9 t: S) C; f----------------------------------------
6 ~+ y7 U& _* Q' w- e
代码说明：
3 Z9 _; m) |% S9 n8 H# _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。
2，segment 本身是很粗糙的，做字幕勉强能用。
- O0 x1 W3 W1 B: M# H3，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
* Z' R* q3 o/ r% I# y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：
/ U3 u! E6 ~/ O- ]; c- ~  @2 @, m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,
6 [6 H1 H, M' c- ~9 d保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
8 \- u3 Q4 S( H; x3 m  T8 y保证能尽可能准确的断句 punctuation，但是不是决定性的。
/ d. T5 x6 w+ Y5 E. _2 ]其他参数可参考源文件：
9 q" E/ H. C( y4 xhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
! J' k8 h' i6 [4 Q, W, D从源文件你可以看到是支持中文的句号断句的。
4 x' l1 L8 y' m9 R8 ^$ a, L) c
5 {8 s1 P( ?) C8 P& C& E* G  F6，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。
/ S7 o5 q/ }7 l. }+ p+ T8，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。

$ ~, O! W! Y2 t$ q

nanimarcus

多谢各位榜爷打赏。