faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 y+ e1 g7 B; I+ \8 ?# E! V& e7 a
  ]1 k( o% n* D9 K# F& 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。
. T+ L* b* g5 k% i) s- _1 r----------------------------------------
, a/ M6 D" l1 k. H1 Z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。
4 B9 j' @% Q1 w# H----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
4 }0 N% U* K" _! l+ D1, Windows 10
2, Python 3.10.11
; F3 `) v+ o' \, c3, 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
8 e2 h) ~; |4 [# R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
2 A" q# t8 i% ]" J6 ^这是向whisper 致敬，可以不装
. z7 K9 O; _/ X( m' w: J6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
6 T- V. d, i) R  [  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：

1 l9 u/ N3 g) o' k  @* J4 `----------------------------------------
2 k* ~0 P# Z; h$ u' S  I& a8 R
+ v% c9 M' w7 h  {from faster_whisper import WhisperModel
4 l% p1 S# f; l
model_size = "small"
3 R) R8 q- _3 f: L2 U" f  p! E/ j, @
% l2 h/ h/ z8 z  {model = WhisperModel(model_size, device="cuda", compute_type="int8")
5 o8 B% s$ D! @9 c
/ C- i* t  M( I" a, s+ U9 v, Fsegments, info = model.transcribe(
* |7 ?$ T+ ~3 T3 ]: W5 o- P    sourceFileName,
/ j  U' O; ^0 Y, G  m3 N+ d    beam_size=5,
    language="en",
    task="transcribe",
/ o+ @2 b! a! d+ ~    word_timestamps=True,
, R" p( o8 a/ |& q  S; V    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
0 ~5 @3 q$ ~+ r' u; [    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
9 \. S3 }) N- x, k% s----------------------------------------

7 N3 ^+ x; v" @5 H4 c: w+ i; v, ^1 E: U代码说明：
6 [2 l9 X" d/ H" s/ ?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。
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。
* |( R& a# B2 H# n4，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 I" Q# K2 ~& J5 x) t比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
9 h$ z! v2 K+ C9 D5 D5，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
$ o0 L4 g# u/ m6 T8 N其中
7 b2 V$ X3 j9 v( \( r6 X5 @# a    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.")
) F; ~# I" L- b" u9 ?2 T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
! A) Q2 v+ Y3 ^. ^5 c152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

: `0 E& q# {: v6，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 @* O& ~- ~3 ~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。
# l; b( O1 m2 S; H; t/ z. z
; U5 N+ i9 T4 b* T8 a0 c+ t& y& Y
7 W' ?* @( p( u! L$ a! k0 C
4 C& m9 ]; l$ {, y1 _$ l# h

nanimarcus

多谢各位榜爷打赏。