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。
; J, d4 `# J8 t7 q----------------------------------------
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。
- y& G1 `' R, V0 Y& d----------------------------------------
( \# j) C' K( O+ f+ x+ U9 ?https://github.com/guillaumekln/faster-whisper
. j$ h+ }; B, g& d$ F7 ]& ]7 }安装如下：
1, Windows 10
2, Python 3.10.11
3, 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
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 m- T5 v0 |5 |2 X, p$ p( k5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
" |, R7 H9 i  c+ x, G6 J6，pip install faster-whisper
& g1 s; c8 q! y5 F/ C# O----------------------------------------
whisper 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：

$ q9 p1 l0 G3 l2 e+ l) B----------------------------------------
) b. k2 y7 S% o6 y
from faster_whisper import WhisperModel
! `  g3 y' c2 p* U! ]
) h( U/ I- X  t# [: l/ x0 {/ O# J6 _! ]model_size = "small"
0 V4 x' t# P8 y$ F0 f
model = WhisperModel(model_size, device="cuda", compute_type="int8")
% q, C  }, v" S4 y/ o
segments, info = model.transcribe(
    sourceFileName,
2 ^) B# }9 M# V* o    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
7 d1 {$ T; a9 }8 D4 F+ {               
+ `  F5 m9 a0 z----------------------------------------

/ M2 @- f5 k* k; k. d5 [2 K. o% M; L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。
4 |3 q0 B# n% y: E6 X2 R% a2，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。
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：
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
4 c% G2 ]8 j; j$ S) w其中
    word_timestamps=True,
( m" ~9 F/ W  u% D保证了你能拿到 word，否则是拿不到的
* r4 l2 ?, _- ^( B" I- s' i    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。
+ ~$ S% s4 H0 |( @7 N6 z# K3 \4 D# o; Q其他参数可参考源文件：
. |% U0 C( G$ k4 l2 y$ w7 ~- ?https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
9 x: z  N3 I1 g, r% {6 f从源文件你可以看到是支持中文的句号断句的。
3 W. k, A0 w, y
5 m: P* k! |  H6，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。
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。

nanimarcus

多谢各位榜爷打赏。