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。
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。
# m% e# Y' y7 A- T9 d----------------------------------------
& `, f8 N; [: X  V( n$ [; a; ]# v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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
; s! v3 U7 p  C- `% p( S+ A安装如下：
; h' \) F. M" X+ w/ {0 I0 ]6 I1, Windows 10
0 Z* p% v7 i* V2, 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
, n# P+ ^# m' C3 W3 ~! b8 ]1 L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
6 s# c% _$ L! _0 s9 [这是向whisper 致敬，可以不装
6，pip install faster-whisper
! j2 Z+ Z. ^# d3 x6 \----------------------------------------
' w6 F# Y1 H) s: t/ G, Z3 {) G8 v: G  h$ Nwhisper 我用的命令行，faster-whisper 我用的是python。
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：
( \, a4 G1 r3 n) W
----------------------------------------

# h" I" Q  Y8 T6 z& }  F8 mfrom faster_whisper import WhisperModel
+ ^5 k5 D$ I5 b  A. t( }
- |# H/ X# Z7 X6 Qmodel_size = "small"

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

0 \& @9 E# x' `  zsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
7 E) R- p- f& S) ?- W6 U* |: o' a% a: z    language="en",
8 S0 p" b; T& X9 \) \$ w6 f6 a9 ^" x    task="transcribe",
& s1 n4 V3 @7 D6 r1 V; M    word_timestamps=True,
+ R. V7 h( [- t: S. i4 `2 w$ A    initial_prompt = "Hello, welcome to my lecture.")
( t) F1 X5 X# f8 L2 l4 o1 B- _
3 p# T4 l- g$ lfor segment in segments:
) K) s+ m  d( T+ |7 r    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
% O4 s* a; Y- Y1 e* r
4 [  @1 F: s  i! m5 P4 v* F! D5 A        for word in segment.words:
0 w. G' R& M- {+ R) J3 k% ?% U               
# T" T& ~1 P+ k, a1 c/ e1 o6 O----------------------------------------
5 E2 v0 H! a! J- X: @: a, L3 k: }
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。
5 c  g1 q' a5 ^  l8 S) Z# V- s- 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
6 b* _& O4 l- ?& y# u  L8 z- K比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
: q, c2 z) d, I% E% v7 C, H8 m2 c5，model.transcribe 中参数说明：
+ X. v$ ]! E7 m/ Y) n7 [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
* O" F5 W* |3 E$ Q9 b' k    word_timestamps=True,
$ H5 U, Q' p8 o2 j9 U保证了你能拿到 word，否则是拿不到的
7 o. N1 m' N# _* ^$ }8 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：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
, Z! z! L; M9 t6 {9 R( O
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 m* v6 W! Q9 u! E: y
: y5 j: O- c0 P8 o& Y" L

( g0 @" x/ V2 F) O5 ^( H

nanimarcus

多谢各位榜爷打赏。