faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

& q6 o  B! ?* U, X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。
- l4 O" q, p2 H) |+ c. q9 B----------------------------------------
3 t# \6 ~4 Y5 ?7 W4 t3 y; k9 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。
6 [+ [, w6 v3 b$ j* B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。
; t6 I' r& X2 y, I6 z: i/ I----------------------------------------
8 ]2 d2 ^) {. F  U: bhttps://github.com/guillaumekln/faster-whisper
安装如下：
" ?% n0 {* w' t7 Y1, Windows 10
7 _8 S, ?+ f2 t% q9 v  {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
4 c; }8 h: V: d8 y! b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
7 R1 B7 G  {" f, G9 ~这是向whisper 致敬，可以不装
1 l4 b/ B8 J7 `+ p6，pip install faster-whisper
. H; _& |6 R$ n4 e4 V3 B5 d----------------------------------------
7 ^4 ?( T1 v6 k0 g3 ^- u) C. Rwhisper 我用的命令行，faster-whisper 我用的是python。
- r% H. K# I8 v9 H& k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：
) v2 M/ \9 d1 T, X" X7 n% Q  h" [
----------------------------------------

: C& k2 k5 y2 {6 Z1 Q8 B+ H2 efrom faster_whisper import WhisperModel
4 y4 a( _, r1 C5 b6 z" |
7 G7 {) A5 @& a' N0 Q0 J3 ~model_size = "small"

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

segments, info = model.transcribe(
- ]5 b; z5 u) x    sourceFileName,
, l/ Q" ?8 l  Y4 D: g    beam_size=5,
; e: |( `; N# G" Y7 G    language="en",
* b" \0 ]6 G5 e8 y$ ^    task="transcribe",
    word_timestamps=True,
3 A; {9 v' D# e; _7 B8 ^    initial_prompt = "Hello, welcome to my lecture.")
2 r" a: x5 p+ l- ~5 J5 H
for segment in segments:
# _. G* L# s5 _+ B' r    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

% ~7 i+ y* Z/ \% x        for word in segment.words:
               
----------------------------------------
* k1 ~# a9 V9 Y. b' _
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。
$ d( @6 F0 e+ O  O7 [9 y: [2，segment 本身是很粗糙的，做字幕勉强能用。
" K" w# Q% f$ |% |$ J- M( h3，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。
6 y; Q( ~/ P" ~  ~/ Q8 j7 D, O$ {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
3 G0 x3 t8 J) q* w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(
4 |5 @* _( E) H& W+ \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。
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。


2 f$ i$ {) z2 B+ j5 D9 n
; ~5 Q7 Q" t3 F, D9 L% n

nanimarcus

多谢各位榜爷打赏。