faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; m' s" |+ p6 a4 |- c
+ h2 R( d; g5 p2 M! 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。
5 q# S, w3 R8 m----------------------------------------
$ b5 R3 |" b5 K# a% S4 w- V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。
& Z, |% `* {! q1 d- S' v----------------------------------------
https://github.com/guillaumekln/faster-whisper
0 \/ A4 }) n. J0 S安装如下：
1, Windows 10
# H3 i: C* M* j9 B3 Y! T6 [. C2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
, E: ?' G9 A( n$ y7 O- w; L9 d# cpip 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。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
$ U& v/ Y2 n7 F* B+ b) n3 O+ o6，pip install faster-whisper
. n3 r. e3 ^9 z3 u----------------------------------------
8 K4 ?; ]+ j! lwhisper 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：
7 ]$ u" a! b3 `$ a
/ }$ M- ^- ^) S( j----------------------------------------

from faster_whisper import WhisperModel

7 f5 h/ u- K: Smodel_size = "small"
. W+ X' p% u+ P  b) J5 m
model = WhisperModel(model_size, device="cuda", compute_type="int8")
0 s' d* b- _7 ~
segments, info = model.transcribe(
/ u3 C& p5 A4 J' n9 u- G: E+ M    sourceFileName,
$ C, t. o: g% A3 F    beam_size=5,
    language="en",
    task="transcribe",
1 Z, {4 \; B4 t( [9 G- l7 a    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
. d0 u' e5 X7 @( K6 C0 x
for segment in segments:
" e! M  Q; O! ^$ p    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

9 V0 D7 m1 N, v/ n        for word in segment.words:
9 T) K7 w) `0 G3 R               
----------------------------------------
6 \. ~3 n' P: T: @* J7 B, v
3 v7 i- ~" T" _5 ]代码说明：
0 R3 C8 O. W# u1 o8 p1，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。
9 m' y2 L$ X4 N& B% 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。
: S+ k0 D* O: q- x- }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。
% d& y. o; V9 J" E5 c4 q5，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 ?3 F8 ]* i! s  j7 U' l" G其中
    word_timestamps=True,
6 U' |) J$ u. }" T+ p9 e5 ^6 J- s/ o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。
% z! r* E4 I% B. ]其他参数可参考源文件：
; [$ e5 i4 e& w- J- ihttps://github.com/guillaumekln/ ... isper/transcribe.py
/ [$ z2 }) b, w5 J152 def transcribe(
( k$ k8 j  l0 _$ X" l+ t" ]0 u1 B从源文件你可以看到是支持中文的句号断句的。
! C4 b, ^" `0 t
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。
. F% _  H0 W4 ^- t3 H6 E; L7，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。
* M9 E9 J9 R- {* Q) L. h8，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。
# h+ O; E) P4 r
$ J/ O5 \& c7 D/ w5 [& ^

2 i2 ?* {+ c; s/ J, G% q

nanimarcus

多谢各位榜爷打赏。