faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

: \2 T4 F) p6 t  C! h2 D( w
1 V# B- S/ ^4 j1 L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。
; ?0 O) v" h* U: h- V6 y----------------------------------------
7 j7 o, {- ~2 f# E6 [9 e! k, k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。
2 I/ V! U6 l7 C5 x- p: @, {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。
: u6 c* p9 P- i" E5 [1 t3 p----------------------------------------
2 U8 u8 _, u: E2 |$ p; C! Y! Ohttps://github.com/guillaumekln/faster-whisper
5 n6 @5 E# Z& c9 H) b安装如下：
# O4 G2 I& O- m, u6 C! a1, Windows 10
2, Python 3.10.11
# b: K1 y' i, H  f3, 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
! S: p  u0 O( N2 h5 Y8 o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。
4 |9 G$ ~' Q0 }# H5，pip install -U openai-whisper
/ Q2 E" D# v/ z这是向whisper 致敬，可以不装
6，pip install faster-whisper
& ~" W8 K, z0 u9 b- W% A) Q----------------------------------------
. q1 K. t1 Z1 k' z! o% w6 Y' uwhisper 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& f' \  D' v; a; |8 C- }
* S( K# s8 V* v5 x' ^* a1 G* Jfrom faster_whisper import WhisperModel
4 E: x5 X. s* a3 u) G7 Q$ L' S. d
1 ^; J& q$ V0 }model_size = "small"

" H) {# g) P) }7 y  Pmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

3 y! C+ e; m7 g0 j7 I3 Dsegments, info = model.transcribe(
    sourceFileName,
3 X9 M/ h6 ]( h! I8 J6 A' [    beam_size=5,
    language="en",
    task="transcribe",
6 P6 L& n' E6 w$ m4 L4 L    word_timestamps=True,
, M7 w# l( f3 X+ p3 m  c    initial_prompt = "Hello, welcome to my lecture.")

, b; H8 q) P) q& R7 T. Sfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
3 D; ~' X2 V. O8 H) G$ l* k0 y
        for word in segment.words:
               
5 ~, Y5 Q" Z/ }: l" s) [; n9 G1 ^----------------------------------------

6 L3 c% Z6 W8 r3 o2 T" J3 e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。
2 H7 Y& L' H3 W& T  }' W2，segment 本身是很粗糙的，做字幕勉强能用。
. b7 Q' J4 x( a% F3，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。
7 f: T5 [* p$ ^8 b# r) U' t% R$ C! ^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：
) V% u+ n! N4 b6 s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
# e: e% D) [* X/ J- ?    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：
, c" q" _4 A# |6 ?! s' ahttps://github.com/guillaumekln/ ... isper/transcribe.py
" z5 I; @. ~. b9 w152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
" R1 ~$ E1 ]/ f0 ^( e/ M* `
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。
! [: m3 E6 s1 f& j4 z4 f4 w8，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。
  a( M# ^% I2 }1 \2 a
3 g) I. V' w) U) S' E- t# C, S

3 C3 j& e% c/ Z7 C  p

nanimarcus

多谢各位榜爷打赏。