faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* E$ g& B3 s1 v4 P
/ g- l$ n0 ?* W$ f# A; Z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。
$ h- H) ^5 v$ q. a% a, \5 ]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。
+ k$ r0 U9 U0 F( N4 y. S----------------------------------------
5 L& P+ a4 R& }/ F, s3 ?1 Z# A4 j/ |/ R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。
1 d. f8 M0 B( J, X; f* F  u4 Q----------------------------------------
https://github.com/guillaumekln/faster-whisper
2 c5 U2 r# j/ i4 T安装如下：
" [' L( a9 C* }4 a$ i) l! b1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
0 S  m/ K, o+ p0 w# w0 Ypip 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。
' L9 Y& H$ l* h* }' H6 b0 X; T5，pip install -U openai-whisper
) W- X7 h; X) ?5 ]这是向whisper 致敬，可以不装
/ n" b. T' @5 g! ^7 G% ?" Z6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
4 ~. N* j# D2 C# C7 ]9 ]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 e6 h. W1 ?4 D  n
4 X$ ^6 r1 N2 L3 p: a$ k& f----------------------------------------
  w! F3 a) Z. S3 R
1 K- r& {( u/ Bfrom faster_whisper import WhisperModel

% u5 z1 v9 g* A; Z- o& P& h  Gmodel_size = "small"
! j$ f' s; i" \. ^) N0 L
model = WhisperModel(model_size, device="cuda", compute_type="int8")
! d; A- n' J- o; F1 r, c
% k# [$ x$ _- M5 d0 fsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
  N7 [8 [  F8 M( A6 t    language="en",
    task="transcribe",
3 [8 @/ _6 F3 N( H- K/ d: c! @    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
# f* x# @  Y: M! J0 Z+ M
/ i* G3 `) m" s: `0 xfor segment in segments:
2 r( B2 @7 l# T  b7 J    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
5 o: R1 M* u1 w8 z----------------------------------------
& |. _/ g2 s/ H# ~2 n
1 Z% B3 @) C) l; T; D! X" T' U+ n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。
2，segment 本身是很粗糙的，做字幕勉强能用。
. b7 |4 I. C$ x# C3，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。
8 y" {) g/ ~& o1 Q: \4 d- G3 u: g, W5，model.transcribe 中参数说明：
* u8 l( S$ Q2 `! j% \. r+ {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
- f- S0 E+ D, e4 Z, J其中
    word_timestamps=True,
/ S1 o  J& l! ^& H保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
1 w6 j- E* N6 p. s; U保证能尽可能准确的断句 punctuation，但是不是决定性的。
! P# w7 N! `" O) h3 ]% K其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
* z. ~7 T8 r- N& s/ i, ?0 r% Y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。
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。
8 Z$ |# W- S5 V% F' s
) F& H% u5 F: q% n

nanimarcus

多谢各位榜爷打赏。