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。
4 R5 M# W( b) A9 P8 V3 h& j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。
----------------------------------------
$ k3 M  B" `) I' `% T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。
----------------------------------------
) D0 a6 K% M" l& ?https://github.com/guillaumekln/faster-whisper
安装如下：
, y. \/ G& S, q4 A& k+ j. x/ o1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
' \4 j  a7 [, ^$ H( ]. n4, 在python 3 中安装
6 Q9 \" p) T7 w; ]" Upip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) |) g# D) f) y( h6 e, i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
. F( o! a4 ]( c这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
3 S$ X: d. Q) G0 j6 m" Rwhisper 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：

" g  v3 E# e0 y# M% X----------------------------------------

7 n$ y3 E  T& f' Ifrom faster_whisper import WhisperModel

model_size = "small"

# I+ D7 i6 E2 B% _/ F2 Xmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
4 f& c0 U7 r: c/ C' k. Z    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
: J5 m* A( b, X+ s8 r' ?/ ]
  F8 T7 d  l0 ~) }" M. T        for word in segment.words:
               
----------------------------------------

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。
; z( p/ |* a# g% M9 C4 @  b" e1 g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 {: C( u+ i" Q; T4 M4，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
其中
9 x. y, C: A( a/ N3 {& N    word_timestamps=True,
% X9 S, f* _: ~( v+ e0 L保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
8 V* w* _3 j! P; J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：
# M. \) ^. o/ ^https://github.com/guillaumekln/ ... isper/transcribe.py
9 G1 x4 |$ ~+ o2 n, L3 b- {152 def transcribe(
5 v) w; e' O2 w; R从源文件你可以看到是支持中文的句号断句的。

& ^$ M) ]2 y% v4 T, R6，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。
. J) I  y' y! R. ?/ j( f' F: N# r8，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。
! k/ r6 R: q- H4 X4 p
% @2 c" F, B; O- N& F

nanimarcus

多谢各位榜爷打赏。