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。
- u6 L: c' y; x  I% h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。
: }& Z9 ]3 c+ Z  V5 m6 _# h----------------------------------------
6 s! n6 T( U' I. P  F! q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。
- v# l2 y; _* M, c$ F# }----------------------------------------
1 ?) l# b1 B/ I2 G, ahttps://github.com/guillaumekln/faster-whisper
  @0 w2 t. T. X安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
( ^7 l4 ^) a- G+ n2 {3 \. G4, 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。
5，pip install -U openai-whisper
! ^3 E3 p4 O% Y: h8 ?5 h这是向whisper 致敬，可以不装
. n0 R) A' E# H3 _6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
8 M% [' {. N( o! G. W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：
" P- J2 H) [7 }5 p" ?5 y; A% }
----------------------------------------

" g: ^, G9 f* c8 f# h" U6 |from faster_whisper import WhisperModel
7 P, r* t  i+ B- v; g3 `8 x
model_size = "small"
  Q  u3 s8 O% f4 s7 N% T2 ^
: j7 h( x. b5 K  Xmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
4 ^" L' ~4 y! E8 g; {( w; m7 Y1 f/ b
segments, info = model.transcribe(
: e$ J% _7 p; Z/ g* h    sourceFileName,
/ l% o4 J; u+ Z/ X( |5 ~. ]) B    beam_size=5,
& A( [) g9 a: e& _  n2 o7 U    language="en",
  J& [, ?0 f9 ]3 a6 `0 F    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
) Y- n- W1 h( W" S) k3 ~; j2 r$ `+ K
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
+ M1 Y' U$ P& }5 ]* a% \, l
/ N  b2 _" [, I& B! O/ w! i9 j2 F        for word in segment.words:
               
& |4 R. d4 `( [+ q; Q  d1 X' D----------------------------------------
# s6 q: y" s, f1 q# ?$ w4 B
/ _6 N* e3 F# V& H8 l* Y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
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
5，model.transcribe 中参数说明：
( X6 ?6 t% s$ e# z7 [, a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,
: ^5 R, N) [) y3 u3 X, Z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(
6 \7 y, e% x" U2 H' B8 S- @. P! Q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。
; d+ n# j- \' g# |8 C8 c7，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。

nanimarcus

多谢各位榜爷打赏。