faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

% j6 j6 G7 h! H
. p- T( w+ J# r* s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。
# z9 e( |/ }  h& ^, i% _, m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。
; k/ C' }2 y6 p7 X4 z----------------------------------------
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。
( l9 {3 t( {/ q' U----------------------------------------
, V. W0 s: S: I( t2 u2 A/ Rhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, 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
# f3 a% x: w6 ?4 W; ?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
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
5 `+ a, l7 G3 g; n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：
# n* C# C* Z$ B4 _( S
- R, m# k! J+ C& ^7 f' v& x----------------------------------------
) @6 Y& i& z+ }: m1 z6 h) W
from faster_whisper import WhisperModel
( t3 _5 {, K. Q7 e" H
model_size = "small"

- F6 w# r9 B# o) J( lmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
4 l) S9 m1 m# e/ F( ?: z& T
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
0 O! \6 J$ l, ]) h5 f    task="transcribe",
3 G0 C! v/ M7 ]5 Q6 P    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

$ ]$ X8 r$ E) D7 s9 Efor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

: r: R" \# [2 J& e" e' N6 `: d8 o        for word in segment.words:
9 s+ Q/ G) N9 m! w* p# ~+ G, j& v$ `               
----------------------------------------

/ z, w. R' w$ d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。
  J4 q4 ~  h4 z  S2，segment 本身是很粗糙的，做字幕勉强能用。
! k* \2 i, T+ E6 b# Z3，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。
) I. {) B" w& c: K2 ~( u0 J7 y4，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
2 T: D4 n' F! E  |5 d( i2 B% z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 ?( l, l' d+ E4 ?3 ?1 q- g5，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
4 Y( {) \5 @  q其中
/ T5 V# Z* c: c: R: I    word_timestamps=True,
! h5 t# b, F0 k保证了你能拿到 word，否则是拿不到的
# h4 B9 ?( |+ b  Y: p$ }5 ?3 Y2 u    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(
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。
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。
9 r: e: i. O2 K6 R, K2 v8，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。

+ S' w8 w& O3 r* E) @

9 F1 n$ q' j; f

nanimarcus

多谢各位榜爷打赏。