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。
* q  b/ U% J6 K9 j3 G( {! Z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。
5 Z4 m2 t+ r- 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。
3 ?' I7 l3 _) \( Z2 ^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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
' ]0 A. t6 o' A; J8 l7 ?安装如下：
1, Windows 10
2, Python 3.10.11
. t0 r" [% C5 \. g2 D3, CUDA 12.1
; u4 n% j' T" M* k4, 在python 3 中安装
; i# A3 |  r/ j, Lpip 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
+ D1 y5 p7 x& o6 T$ ~0 H4 f' Y* v----------------------------------------
: K( E+ \% \8 j+ bwhisper 我用的命令行，faster-whisper 我用的是python。
9 N. A4 D  @9 K. F  `8 t* J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：

----------------------------------------
! K5 V" ]6 j3 x
from faster_whisper import WhisperModel

* c# ~, Q3 P% Jmodel_size = "small"

( S! X8 Q# s  E3 v5 \' `3 X0 T, kmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
( Q; f3 D5 H2 X! K) Q
segments, info = model.transcribe(
9 r3 I/ h) w5 t% @8 |' q. ~# H/ G    sourceFileName,
    beam_size=5,
& _! P7 I# q) ?1 m4 g; Q# ~    language="en",
    task="transcribe",
$ O, B: \/ ]! R7 n1 s! T6 a    word_timestamps=True,
; ~' p# i$ H) e: R6 x    initial_prompt = "Hello, welcome to my lecture.")

8 Z$ P) P7 g  j* X: a4 efor segment in segments:
; {2 T6 w) F) ]    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
4 w; ~% |0 X; L
        for word in segment.words:
               
0 J6 M; t& a- k----------------------------------------

/ V" h; q# M* _  {! T代码说明：
1 I, H( E$ {( J9 m$ l- n3 y1，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。
* ]& R; Z  ?$ N5 i' I! I5 |2 n6 i2 b  ]& 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。
- N- s# N+ ]) Z$ V) \% H4，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
8 y* s* Z# j! V" [7 B其中
9 ]1 u$ D% b& a4 O! @    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.")
. Q4 c" t( Y" I3 E3 x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
, d0 {5 f3 d; e& g# l152 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。
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。
" }% w$ O$ B" l( B" _8 ^9 v) T8 x: p
: p4 B1 G# m' W4 @5 \) ?
7 I4 T3 A" w3 B: i! E; W, d9 K

nanimarcus

多谢各位榜爷打赏。