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。
+ G7 V8 \" x1 B- e/ [! s& b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。
; I9 A  V9 z5 }' D  T4 {1 {( 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。
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。
----------------------------------------
1 A5 t' s2 Y0 V0 `6 S% o0 Zhttps://github.com/guillaumekln/faster-whisper
. s2 m4 g8 |0 o& H# X) u1 J# }( I安装如下：
( W, \6 H4 a* i1 v: n1, Windows 10
2, Python 3.10.11
9 F. q0 {7 ]5 u3, CUDA 12.1
. }0 E! Y) i4 F- ^# ]9 O6 Z( O/ p# E4, 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。
% Y0 y: U: X. P2 y8 e5，pip install -U openai-whisper
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。
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：

' _7 _, M0 j9 e7 o----------------------------------------

' R" I$ Y4 x% U3 Tfrom faster_whisper import WhisperModel
' ^5 z6 @, L' S3 j7 u# Q% h
; [2 R! R- D/ T3 }$ nmodel_size = "small"
8 g+ y0 T2 K* e! y  r" N1 ?2 F! n5 }
model = WhisperModel(model_size, device="cuda", compute_type="int8")
; {3 r( g, D8 N- c2 \9 w* O
! S( r* ^: y& t# L; \segments, info = model.transcribe(
    sourceFileName,
3 K0 i$ _2 Q& i5 x8 L& D    beam_size=5,
5 z4 d8 {( W5 V/ D2 k6 e1 F    language="en",
) Q6 q: s3 R9 z5 w8 j    task="transcribe",
! A) P- x2 N' `0 s- w5 p/ d/ }# U    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

5 Q" `* X- m5 x2 f* k: hfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
7 X6 Z* q: |) U               
" ~$ Q1 q4 H: Y/ c! S- _; {% S----------------------------------------

代码说明：
+ P9 U* ]: b$ h4 a# X& W5 [2 E1，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
4 m. I; e( N1 P* \比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
; W2 E% u% l* k5，model.transcribe 中参数说明：
3 @8 {( w7 h, e2 h- j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
% s. Y( \* q, x  C8 I: L8 b0 }# z其中
2 P  a  I. Y8 X/ ?' }    word_timestamps=True,
& p2 {+ D0 T  A" N保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
/ P3 w7 x) }  J$ ~! B$ l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：
6 x5 z8 h3 S; D7 s+ |$ m8 e2 Ghttps://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。
% V4 Q; k6 O: `8 ]. H! {: ^
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。
" u3 M6 f/ }, F& N( z7 A7，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。
1 Q, W! p9 O4 I" E/ s2 T; G6 A8，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。



% G; a  z, A7 g; N; U) g+ h5 M

nanimarcus

多谢各位榜爷打赏。