faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

" f2 F, Q" q: {+ a2 w
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。
! m) k2 `" L9 t+ t# v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。
; U# m; K8 o/ }----------------------------------------
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。
4 x' I4 f5 R3 d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。
6 h- P4 y* y1 S  D) G7 g----------------------------------------
$ x0 e9 m! K  v1 Y' c) f0 hhttps://github.com/guillaumekln/faster-whisper
" G: ~1 J2 P8 t  r! a& W安装如下：
1, Windows 10
2, Python 3.10.11
3, 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
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。
1 B6 j& S+ X! c8 X+ n2 m2 T5，pip install -U openai-whisper
2 ~* a& u/ w  O7 ]. [' d0 H这是向whisper 致敬，可以不装
$ U! c0 B. F1 ^, f6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
) u1 m4 P  A9 A. n4 `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：

----------------------------------------
, ?; c; L+ r# g9 ^, h6 o
from faster_whisper import WhisperModel
2 M& i, c; ]0 J* H# V. m
+ X: H2 p' ~% N' Y- }7 jmodel_size = "small"
5 [# C, r! p6 J
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
% ?) u' ]6 E0 ^5 D    beam_size=5,
    language="en",
    task="transcribe",
/ Y9 L5 n; G5 z% ?8 O" |    word_timestamps=True,
. V- g4 B& W; ^( c& f    initial_prompt = "Hello, welcome to my lecture.")
) Q( o7 |$ d8 M( O# l
" Z  W. R, _: Z: J3 n  n. [3 rfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

7 w* ]/ i' g! C: U/ G0 V        for word in segment.words:
               
& l" V1 ]. O( s( }0 j6 `6 B----------------------------------------
0 N& q6 m8 C' Y; {: h& d6 r; A3 Y
& ]& a* o/ {9 Q# }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。
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
; [/ v4 I) k2 Z7 O% Q1 A, u9 n比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
% ^; h: z0 `( }6 L* C# L5，model.transcribe 中参数说明：
: L5 R+ H# @% u! n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,
  e- l6 }! s& P* C9 G2 E+ W保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
& X2 j6 I6 }9 e, W1 ?# @% @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(
, }5 @3 x& {! ^6 T从源文件你可以看到是支持中文的句号断句的。
/ }! e& k9 f& D0 \& c3 \
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。

( E* o3 ^- r3 @+ ?9 c
( B: h4 d. C" x

nanimarcus

多谢各位榜爷打赏。