faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
1 U  P) L, e  W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。
----------------------------------------
( y1 C% w0 E+ _0 |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。
----------------------------------------
# s; g8 k- I$ K8 y2 dhttps://github.com/guillaumekln/faster-whisper
安装如下：
' P/ e! R$ b3 p# q- w7 I1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
, Y7 f: s% x* }/ w: c+ P  Q3 Jpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
7 |& }3 @& c8 D, B+ M$ L9 J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
! X' v  f0 T8 X7 p这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
# b$ C1 ]4 H0 L+ y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：

+ S; ^1 u4 ~2 |$ Z----------------------------------------

from faster_whisper import WhisperModel

. v+ I/ z! I* A! b! a# O/ r4 Gmodel_size = "small"
- [: L2 m. @8 b6 L6 K
5 w. V3 Y% E% k8 [& O- Amodel = WhisperModel(model_size, device="cuda", compute_type="int8")
! O! v; D$ [" w7 n
' S" J9 m' k* P" w+ ]segments, info = model.transcribe(
* T  _" F, Z9 v7 J    sourceFileName,
7 K6 {/ I+ h5 X% K" Z    beam_size=5,
    language="en",
# C" [  I( f3 F  e% E    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

# x+ _2 F- ]/ g- w8 {6 afor segment in segments:
1 ~. C7 R/ @) X+ Z, [! K    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

2 [/ N- q% A) D- X        for word in segment.words:
               
; U0 S- V. a: C% Q----------------------------------------

代码说明：
, G! m& W0 Q- z, ~; I1，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。
2 v' i$ ?3 [' F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。
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
, z, ?- y: E6 P# W+ O其中
    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.")
保证能尽可能准确的断句 punctuation，但是不是决定性的。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
# d: O( Y' \* S' j1 r5 U1 @" B从源文件你可以看到是支持中文的句号断句的。
: O4 w$ M# G# a& c9 R) F: t
" L/ ?0 p9 q7 N' Q* k6，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。
; t2 d' `' V) D/ N1 j6 W8，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。
2 ~/ F: G2 F7 T* i
8 `$ }/ C* ^/ e$ `: J) ]& t7 P

nanimarcus

多谢各位榜爷打赏。