faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

/ V1 v7 f/ y, _* Y) P7 o
( n9 a4 W: ]4 O5 R6 R3 Y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。
----------------------------------------
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。
; A: ?# W+ P4 r6 G----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
' C/ W" O- y: k6 q( k( x# X3, 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
3 l, i0 P# [+ L2 ^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
% U4 @+ v4 e  d6 `( u) q6，pip install faster-whisper
6 z2 H$ h. \, g% b) q----------------------------------------
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：

, V/ K0 U. E% Q6 [----------------------------------------

8 y0 {* }9 X9 q% |4 ^5 Yfrom faster_whisper import WhisperModel

model_size = "small"

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

7 V/ ~9 U* O# z- u. wsegments, info = model.transcribe(
# N5 g  Y7 X! S) E2 O    sourceFileName,
    beam_size=5,
) G. k9 B/ O. U    language="en",
  P! f/ f8 v/ W0 S  D  X3 Y! o    task="transcribe",
; L" H/ {7 h. n, ?3 t    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
6 A3 m- F; h) o! D- _; C
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 N( j/ |& H; f9 f
: b2 h! n7 M# _8 K  |: l! y) S        for word in segment.words:
               
----------------------------------------
$ @7 x: O( t% c, M+ t
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。
% r  ]9 A' W. [! _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。
. u( j. w- T6 |2，segment 本身是很粗糙的，做字幕勉强能用。
$ D, Z6 |5 e0 s7 G) @; s3，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。
$ V! }% W* W9 w$ r' h4，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
5 a" ^9 y; Q: n( R9 ~# l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
其中
    word_timestamps=True,
+ h  P! o" `2 J* d4 g( g' }- A保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
1 C7 @9 k: q4 q; e/ l8 d保证能尽可能准确的断句 punctuation，但是不是决定性的。
% I0 A- |! u6 p" i- s3 i其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
" U5 O* C  [* F* X5 y从源文件你可以看到是支持中文的句号断句的。
, P% ~2 z( R3 U% L
. \0 N# _5 C2 t: [$ b; b6，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。
+ n9 [9 \+ z% R
' T: ?. Z% k4 w# i5 x; H/ a- u

7 S* p% P$ B( f+ z: a; z" X

nanimarcus

多谢各位榜爷打赏。