faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

, T. T( d0 `# [' A- M
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。
----------------------------------------
/ T8 ?- e! s5 c& Y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。
  g( |! ^2 s1 ^( J, Y. A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。
; }4 j1 v+ P0 t. F% E----------------------------------------
0 A; @& ?0 b0 p) ^9 A) w) Jhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
, y8 W4 e5 f( g3, CUDA 12.1
) [" X( v; D2 S( t& I6 }4, 在python 3 中安装
. t, _% |6 N* p2 ]& C- Xpip 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。
" M# \( q$ g7 c6 m% M! i; F5，pip install -U openai-whisper
$ P% N! M1 [: m  p$ m; N这是向whisper 致敬，可以不装
6，pip install faster-whisper
# N' S$ o( t3 q, [" w7 P----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
, S1 R/ B' l! v) F" S6 X8 u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：
" F# F3 i% N5 {+ y
----------------------------------------
- h; L5 S3 v9 e0 n5 y$ Q
/ ~0 e' p: I2 D' L* e0 Tfrom faster_whisper import WhisperModel

model_size = "small"

) {' u& w2 Y) m, h7 Qmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
+ r& r# F2 c& a  M4 S9 {- w4 y
; D6 N( H( T. R% c7 f$ Usegments, info = model.transcribe(
9 H" c* A% F/ ^0 T" y3 `% m" {" p    sourceFileName,
, k( W% h+ W7 `, t* C8 a    beam_size=5,
/ f5 b9 @! ]' b    language="en",
    task="transcribe",
    word_timestamps=True,
$ ~$ V* g9 L" H8 o2 @" Z    initial_prompt = "Hello, welcome to my lecture.")
' Z/ ?( I- N- i4 O$ |
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
8 O( T: M4 g& V9 {( _- W
. C: Y+ i6 \/ Z2 M) ^6 y2 S        for word in segment.words:
               
----------------------------------------

代码说明：
; E. @8 x1 ^  a8 Z2 h1，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。
" ]! S9 w  _5 o" F# N8 y4 Y; \4 s6 _( U6 }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。
# y1 m( J) @5 C0 H6 t4，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：
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
/ G; X) r0 I9 o0 \其中
  c2 A# U. s6 h% |  ^, ?    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 W! ]6 K" V' T( [; a; ]3 U; X! G保证能尽可能准确的断句 punctuation，但是不是决定性的。
0 A. g: _; y0 s8 O" @其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
: s7 o8 L, ?1 U, S; h5 t152 def transcribe(
% E3 t1 H5 N5 m: E. h( l2 c! A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。
. E( `; H; a$ x4 `- p; z; G; Y2 @& D7，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 c7 \% s- P+ Z* i8 J) A8，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。

2 `) b5 R" v) o2 ~# z/ G6 `

+ o  {9 l$ H5 s+ R7 [

nanimarcus

多谢各位榜爷打赏。