faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

) i5 X) `$ b! Q& M8 f& u8 p
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。
/ |' q& z3 q  J' n0 A1 n; i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。
+ K4 V: C6 Y0 [. Q& I4 ?0 T4 W----------------------------------------
7 a9 U  m" B* k* j8 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。
9 j" c: P+ F. [- k' c1 E----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
+ M% G" i( ^0 X+ j- T. z2, Python 3.10.11
( R+ C( d& {7 Y- o, }* A& m3, CUDA 12.1
  s+ a' c& u7 q* y5 X, ?" r4, 在python 3 中安装
. q! x9 A* k2 r7 `4 ~, `0 W# |+ 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。
. `4 n$ k+ h1 h& r5，pip install -U openai-whisper
) M& H9 f1 v4 c$ s这是向whisper 致敬，可以不装
6，pip install faster-whisper
. ?! @, {7 p) s5 ]----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
" z1 j# Q" @# Q  L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：

% I( g; N. @+ t* g9 O- T, @----------------------------------------

$ p; J. ?- D- n5 N! R0 Y. zfrom faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
2 U" B% n! T! B- q& ^) |    sourceFileName,
1 k  A2 Q/ C  M2 g! R4 A9 J    beam_size=5,
$ p8 }, H6 n! A7 ]" J    language="en",
: }. w1 @5 w2 l( F8 r    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
7 |/ X3 J* [8 O+ O4 ~! L. J& H; q
for segment in segments:
- h& X8 P; z; b7 r0 E! s    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

1 s% D' y% M) |* v, ?$ K: `        for word in segment.words:
* u  G6 o# O$ [0 M. R5 k& k               
& }8 \- t! b' T( h+ a) p----------------------------------------

2 U- ]( K! B8 Y9 P, f  @" y代码说明：
7 _) {1 ~/ ?+ `  \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。
& L) g+ ?/ i- R. W" ~9 O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。
1 Y' r; p# O6 A% E' Z2，segment 本身是很粗糙的，做字幕勉强能用。
& J/ J; ]4 J- Y/ U& v3，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: p2 @$ S8 e4，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。
7 l: Q' j/ ]7 T* V0 e  W5，model.transcribe 中参数说明：
2 |9 `6 z; ]' N0 N; ~; u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
( D2 O% ^. E+ i- D3 v6 f9 T其中
/ g4 A2 p; X  F# |  E! i1 t8 ?* r    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
7 l. v, C# V! Q" k$ b    initial_prompt = "Hello, welcome to my lecture.")
$ y- a; @; H, N' H' L, Z9 O+ _' G保证能尽可能准确的断句 punctuation，但是不是决定性的。
0 Z- s0 ?) z8 v& A# K其他参数可参考源文件：
: o9 F3 s; v; h6 j1 q/ xhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
1 k3 h0 K4 l- Y+ A$ ~: F0 o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。
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。
- K$ |3 @; C, K5 p  `3 s8，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。
; x6 a2 e* c; w3 i) L- O3 p! j9 I* X5 w

, W+ T- `: O" G

nanimarcus

多谢各位榜爷打赏。