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。
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。
----------------------------------------
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。
9 C/ e( M! y# a1 b5 k9 k----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
6 f. K3 _. @8 C  X5 R5 ^1, Windows 10
2 V8 z2 K9 I0 h  l% \2, Python 3.10.11
! x8 {: E+ K4 F. F3, CUDA 12.1
* z* U2 ^2 Q# }/ F: K3 p4, 在python 3 中安装
) P* B9 t$ D8 `, w& Kpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
' t  A8 @5 f! _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
( ?4 ~* A$ f0 u0 A$ I7 J这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
& l9 A8 D  T7 ^% \$ b3 e7 Bwhisper 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：
7 h0 @# _& n4 l' w
----------------------------------------

6 d3 `& ^& B9 `% Afrom faster_whisper import WhisperModel

1 L' o% d  I6 Z5 omodel_size = "small"

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

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
0 l4 Y- k' o  @4 J: H4 e    language="en",
) Z" R6 K1 z' W( P    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

, t/ i7 K" J. \9 h6 sfor segment in segments:
+ ?7 C% b$ c3 Q/ f7 z. n  x    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
. ^: b) }1 S8 ^. j# |  D+ F
: n% I7 J' F9 `代码说明：
0 U( Y3 s  b  ?' n3 k8 d4 z1，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。
/ p3 d0 y/ p3 _0 _1 S5 f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。
* A0 [/ l$ P6 }& y6 E. G2，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
6 D2 i+ V% ]* S比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
) D) x) g$ Y6 M" `8 b5 Y! @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
1 r' u' E- `: h; e$ t: o1 A6 _6 O其中
1 F, {1 ?5 a0 r, L. w    word_timestamps=True,
  G* w1 d5 ?4 E2 `6 `3 e! h7 Z保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
: q( U) P' N+ F# g4 D5 l$ `! g保证能尽可能准确的断句 punctuation，但是不是决定性的。
8 g, u" {; @; W9 ~其他参数可参考源文件：
" l0 o3 S- f8 @$ Chttps://github.com/guillaumekln/ ... isper/transcribe.py
0 p3 v* T7 `5 ^& s6 C2 n152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

7 E5 w, y6 V' _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 \9 ]) z5 i, n" H2 I8，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。


. h& R* e8 r! s/ [) y

nanimarcus

多谢各位榜爷打赏。