faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; L7 Z" X" f$ W3 S( h3 l$ f
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。
3 i# }) s+ M6 O9 N) G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。
----------------------------------------
* Q6 w$ @, `# ^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。
, a/ \/ z0 D7 }9 E2 |, s: A! e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 Y1 ]1 l  J& s9 |. T7 ~! j$ G9 K( q----------------------------------------
- M+ N5 r9 b) B& whttps://github.com/guillaumekln/faster-whisper
# @) ~9 i1 ^  G' c9 g/ i  s4 Y安装如下：
1, Windows 10
* \. X/ D* a2 i4 r1 m8 F6 `6 `2, Python 3.10.11
, _! T! _) N  m/ Y0 f0 E+ [3, CUDA 12.1
* y  Y2 M7 c3 Q" ]% v. {! Y4, 在python 3 中安装
) R7 l! i0 c8 i* o) D7 ~% Opip 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。
0 O+ s9 F. C6 [5，pip install -U openai-whisper
& h$ x) s/ Z7 F. y- _这是向whisper 致敬，可以不装
. F% C8 u' ], P7 @1 ]6，pip install faster-whisper
----------------------------------------
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：

" b" ~9 c9 [" T' o  ~6 y; r5 @----------------------------------------
0 D7 P% v. w! `( }8 [' W" U, B
from faster_whisper import WhisperModel

model_size = "small"

! Q' p9 d- `! v) M1 U% V" qmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
# A3 [1 `, }7 S$ O, b: c    sourceFileName,
. |) c$ m7 P* _% P; ^    beam_size=5,
    language="en",
# T% Y9 ?$ {4 Q+ m    task="transcribe",
- H. p& t4 ]' M3 f    word_timestamps=True,
" G* O8 d8 _9 N% T" @2 S% @8 J    initial_prompt = "Hello, welcome to my lecture.")
- o8 G! @, U& `6 \* v3 f
7 g& F/ J2 u3 v- P! l% E  P+ f& l) Ifor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
' c7 J* v% w% b8 q' I/ \               
----------------------------------------
, y! a/ V& |+ ~, D3 D; f
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。
  F) X' ~2 ~+ y( E$ l2，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
/ u% S+ \0 ~. K6 i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：
: I% k! I. n8 Y7 q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
& X" v; E. {4 v6 d# S* H其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
; N3 I* j/ H1 w4 ?# s    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。
3 U$ m& @4 D' F9 q  d, r8 r其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

5 g* O. a% ^8 V2 a; c$ Z6，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。


! {. F4 P" N. V( \
0 v/ k' V. G* N. I: q# y

nanimarcus

多谢各位榜爷打赏。