faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

! z$ R# c9 {" ?( I: S) c
1 X: B- O4 M9 S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。
3 v$ N! M/ d' c; p* O" z----------------------------------------
+ z) r# {0 |& D7 {1 s) Yhttps://github.com/guillaumekln/faster-whisper
安装如下：
% {  ~7 R1 S( f. S. W1, Windows 10
2 u- K: ^2 q) ], E2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
% [8 G) q$ I. U( L2 y% Lpip 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。
: J  \3 C7 q- s! d  y5，pip install -U openai-whisper
4 o. w- l' L$ K; p这是向whisper 致敬，可以不装
6，pip install faster-whisper
  u% [0 @. e2 B* R----------------------------------------
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：

4 n8 V0 o* }/ P8 d----------------------------------------

from faster_whisper import WhisperModel

* |: r  Y1 R' `5 umodel_size = "small"

: M. h3 c  I3 K2 ?7 Tmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
' ?' c. @0 n. m
segments, info = model.transcribe(
    sourceFileName,
8 q" H; n9 B( A. x    beam_size=5,
: H0 a* L% U9 c. {    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
" D. b2 E7 w; K    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

# B' k8 K) i6 O3 T8 n! M        for word in segment.words:
' m/ ?* E9 \& u+ L* E" i! z               
----------------------------------------
: F" e; a9 H) r. S1 S. j5 q# b* v& t0 H
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。
) W9 ]5 U! h7 |# r0 _' Y$ z2，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
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
# J1 o' x; X7 w    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
9 b" @% s3 b/ l) |3 C8 ~保证能尽可能准确的断句 punctuation，但是不是决定性的。
/ ~" ?+ l$ |2 N& N/ u- M" e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。

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。
2 e" T8 A7 X0 e% t8，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。


; x/ J  f3 e4 X# M. ]6 n

nanimarcus

多谢各位榜爷打赏。