faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

/ `9 }1 E6 o4 ?: `3 l1 G! 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。
( Z' N1 V- v0 K7 S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。
* \6 y2 y9 J+ j----------------------------------------
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。
- C1 X  ?4 Z0 K# L, 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。
6 M5 Z3 l( n9 M; @----------------------------------------
& I, d9 e! D/ e, O2 H) Ghttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
3 [, F3 F8 L6 ?" i: B* b% g2, Python 3.10.11
3, CUDA 12.1
+ L! H0 X' N0 p# `4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
' _0 M1 t; ^4 I! v% e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。
/ W6 T7 {$ w; O! L: m! U/ l% D1 G5，pip install -U openai-whisper
  e; ~; W" n. a: C% ?$ W" u2 a6 a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。
+ I3 i; r' t! Y$ e( V* Q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：

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

from faster_whisper import WhisperModel

model_size = "small"

/ @* x$ M+ M; X  l$ |! cmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
7 O* \- }' @# Y7 Y
segments, info = model.transcribe(
    sourceFileName,
# r9 R( M$ o) G& l9 X: O1 `    beam_size=5,
    language="en",
9 z3 b4 D5 o4 u9 S! x    task="transcribe",
    word_timestamps=True,
5 O8 _; n/ P* ~8 ^% G: V    initial_prompt = "Hello, welcome to my lecture.")
! d" z( r1 N& I2 S
for segment in segments:
! n) b% Q7 q7 z% ~6 H# [- ^    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
& n* c, n8 U; `1 ^* G1 j. L
; E$ ]1 A/ {+ Q$ z        for word in segment.words:
               
/ m! N) ?) B) D' \- o----------------------------------------

1 M5 I6 f! D5 t4 a+ X; a7 |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。
8 C$ Y0 V! N! ~. S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。
9 Z) W7 n, V1 q8 W1 l5，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
* y+ O5 h. \5 X, ^其中
3 z$ t. y* V$ H2 d9 K; x9 w: K    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
/ t5 I, z9 s: u7 p' j8 ~7 Y; k. ]4 f    initial_prompt = "Hello, welcome to my lecture.")
) g2 m7 r! {/ ?! q0 M保证能尽可能准确的断句 punctuation，但是不是决定性的。
8 |' Q8 B: a5 B! e' ^/ M1 X其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
$ U2 p$ g7 ]+ m& \- ~152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
9 S/ G* y( L, Z" }# o! d% k
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。
' i- W' E# k$ x2 \1 ]/ y
# C/ @: b; d! ~6 t
5 E6 G, E4 M& C, Y+ }) P# e2 N
. ]0 v/ s! k$ R. ^7 _& X, @' y& V

nanimarcus

多谢各位榜爷打赏。