faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

6 G, n& @# [. x! B
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。
& F) v, Z5 d5 D( t7 a6 {# U% U+ \----------------------------------------
# h1 T# T8 w. l/ F1 P) H# S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。
# U4 A; i/ k3 H8 l! [4 _9 N. }3 L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- ~- s  b$ w----------------------------------------
https://github.com/guillaumekln/faster-whisper
0 v8 W* N7 f7 }) o. \安装如下：
1, Windows 10
. r/ J, ?- U- a( Z2 s) O2, Python 3.10.11
9 K& ]1 N& W" `* ^& z3, CUDA 12.1
1 U2 c. O/ r/ ?3 b9 y4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
, Q' R: l2 {0 ]0 y" n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 C, L" ^% V0 R7 B6 |2 [这是向whisper 致敬，可以不装
3 ?1 M; W( f- M6，pip install faster-whisper
1 L; G: T1 e8 H! \: _----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
/ p, }6 q8 b1 Y+ v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：

----------------------------------------

+ T" [0 a! q% g" sfrom faster_whisper import WhisperModel
& w- x0 H% B' ^" X. p$ C+ E
model_size = "small"
# ^' K9 @' S* i6 @! p, D
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
* {* q! s* R* }5 _5 o! y6 Y% I' C4 b    sourceFileName,
! e2 `* I- P6 f! [    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
) u3 R, j* u+ D5 }- o( D
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
4 i& Q9 i: e$ l2 V( M; ]7 q
1 X9 X: s1 C/ A6 k        for word in segment.words:
/ g5 }) x, m' H- X" N               
----------------------------------------
8 n1 n* x8 q5 T$ T- O9 p2 z
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。
. g" d% N: K! v8 g+ n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。
* t3 F5 a( B8 l, Q# p, S2，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
1 S7 K$ |* `( A6 N3 K& z  Q& P% v比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
; v. Z$ L/ ^! F" \' \. v5，model.transcribe 中参数说明：
0 j# {  ]7 {6 J; |. e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
/ A! ], o" _0 q' k: _其中
7 \1 i& ]7 m0 A0 _0 G    word_timestamps=True,
7 _4 T6 e* U% L, h6 n* F" G, B保证了你能拿到 word，否则是拿不到的
. o+ B& ?! T; b  H# A: Q) I    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：
/ q" B) E9 z8 ~, v) _; m6 qhttps://github.com/guillaumekln/ ... isper/transcribe.py
. S& A9 `$ R) D152 def transcribe(
2 U. Q7 v' V+ h. t) g& G从源文件你可以看到是支持中文的句号断句的。
% m7 `) p0 `- \) ^) q
; @& f& D' M6 A& d/ c! f( ~5 Q6，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。

* K; l, m; [* {+ f6 s- g

nanimarcus

多谢各位榜爷打赏。