faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

2 u: ]* c4 b5 |: X
; x% b! o) n& m; t1 {6 m$ o4 I& M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。
, _. F: I$ h# c+ n$ \4 H" @: e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。
7 n/ P3 j5 D) f& a8 Q- F----------------------------------------
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。
6 c$ `9 g9 @5 j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 f) O6 s/ H" S3 J----------------------------------------
$ Z' W0 n5 H, E  \! Y2 G& s; Ehttps://github.com/guillaumekln/faster-whisper
, q- _1 C+ g3 i# b  ]安装如下：
6 \7 \6 h; u5 C6 z9 A1, Windows 10
2 D$ q/ x1 d* n3 D& a( Z; ]/ p2, 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
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
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
  C, ^7 i" `. Q$ Pwhisper 我用的命令行，faster-whisper 我用的是python。
9 [5 m8 z: O( \4 U) u: a7 H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：

& o! f+ n" ?/ L- `# ]2 s2 X% d( t) s----------------------------------------

from faster_whisper import WhisperModel
( {- d- r+ h) Q5 _7 u: Z
model_size = "small"

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

segments, info = model.transcribe(
/ Y% D# I( x) {0 I5 V    sourceFileName,
& y% ^4 O* t% f' X    beam_size=5,
1 n1 v7 t+ C. e. O: U; [& T    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
  _" @' E+ k8 g; j8 N: l7 k
, _! y7 ]+ i3 }! x& w' tfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

$ G" p  t! s& p# R4 D# O/ m0 ~        for word in segment.words:
% W5 K- J" @* u" x  Q  R8 ?               
----------------------------------------
8 g6 o* p# V) _3 x* \
) h  S% H0 C) D. J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。
: l# ]- v7 R* S% ]* n0 J* E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。
- l( D# g; m# A+ [7 ^+ m# o2，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：
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
( K: s" |4 H8 z/ {1 y# g# p9 G2 g! x其中
    word_timestamps=True,
8 E) Q4 Z' V. A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。
5 M1 C7 z" ]1 m其他参数可参考源文件：
5 K' S' e+ @! ~1 m5 b; Q2 A% rhttps://github.com/guillaumekln/ ... isper/transcribe.py
9 c, G4 n9 x) ]" B5 }  |152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
5 F  u5 q: `9 s3 _* t
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: j" L  Y- ^& E8 u: s7，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。
5 r2 I/ x8 N0 Y/ l8，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。

0 z. q* d# n4 X% O6 E9 _
) p* l8 n4 e! I+ h
/ s, }/ ?- O; o' R

nanimarcus

多谢各位榜爷打赏。