faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

# N* y( \, }" a9 w8 {6 A
$ W. W: Y0 E7 Z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。
/ M' p4 m% W/ d5 i, k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。
----------------------------------------
2 S  z1 ?5 b9 R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。
----------------------------------------
8 c. `. B- |5 Chttps://github.com/guillaumekln/faster-whisper
) D5 j2 ^% {! c& d安装如下：
1, Windows 10
& G+ a3 `1 A9 }3 S1 R9 f* `5 U2, Python 3.10.11
5 {" G, L1 v0 E9 ^& F8 S3, 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
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。
; b: ^1 w- C: E: K9 L- E5，pip install -U openai-whisper
" _/ ]% v" D: J! S: O; p7 e这是向whisper 致敬，可以不装
6，pip install faster-whisper
3 _2 _* }/ M/ e7 s; N) J----------------------------------------
2 {/ V$ u* o. C5 Wwhisper 我用的命令行，faster-whisper 我用的是python。
3 `' W1 D3 L9 t8 O" E. p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：

! v  R$ P7 Y3 r- u2 s, o) C; n----------------------------------------
/ \' T* |/ d8 C8 O1 A8 S0 k
1 c9 v% U8 B3 m, p2 m9 _  p* _, ofrom faster_whisper import WhisperModel
' S/ G) F* W1 T/ O
model_size = "small"

7 P$ {5 E5 s4 v7 umodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
6 G! u# P) Y. K    beam_size=5,
    language="en",
4 A9 K8 u  V& w) j$ }' s  L    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
( m9 q" n) i% t! X
( j  v1 v& G1 H+ }- Mfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
5 J* V( S" h( z* V----------------------------------------
5 ?2 {. v. i. E
: ?- i; G( [- ?) A" |$ |代码说明：
+ s* v5 }8 R. r4 e  M1，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 u  v  z) |# P' ]6 q* q9 O2，segment 本身是很粗糙的，做字幕勉强能用。
& K! A5 m& _. m; s3，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：
) ?4 _! E' s5 h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
' p* @7 N$ |# t  ^# c0 q" g    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
. N& V" O# F7 b: K+ e9 o. N1 U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(
' \4 x1 Y( }9 U9 g* c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。
" p* q9 V) _" Y/ E! C# g. Y7，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。