faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

: L+ l# e7 q0 f
8 I, p6 x9 L: I9 r/ B& C; F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。
! T1 b7 a2 Y7 e# b: T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。
; ]8 n7 s: U4 G5 H----------------------------------------
, ]8 ~0 |: u  E4 L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。
- G5 Y/ h& N4 a# f' X5 i! a  c2 @: j8 G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。
% F& U! o: K" a7 W----------------------------------------
1 p. R2 q2 Y) S. E4 W! S2 d/ t  phttps://github.com/guillaumekln/faster-whisper
3 \! y. o) v7 r+ V/ S安装如下：
9 O- _# `' O: @, W9 q8 U1, Windows 10
; l% }" Y, d8 o9 ?  r2, Python 3.10.11
5 m' ]  H, S8 m! ?# j7 g/ n3, CUDA 12.1
4, 在python 3 中安装
3 ]! G1 r7 D  k9 xpip 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。
8 p0 @+ K6 J; o. b& t. P0 t5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
# B+ x$ O+ P+ ~% U/ g. r/ k6，pip install faster-whisper
----------------------------------------
whisper 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：
! _1 A3 ]6 {% S" r6 m) V
----------------------------------------
6 f' J0 ?& g* a5 n  B& ?4 w
from faster_whisper import WhisperModel

model_size = "small"

  m9 |4 V7 O( Z$ }4 h3 m1 wmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
9 r3 ?- R& g9 a
segments, info = model.transcribe(
" }. R  s, N* H/ U    sourceFileName,
    beam_size=5,
/ Z- g. j" U+ C4 J    language="en",
    task="transcribe",
" Z/ n4 d* N8 t" g, m/ [    word_timestamps=True,
/ @$ G& j# F' p3 F% o2 o    initial_prompt = "Hello, welcome to my lecture.")

5 L) p0 _- p# S+ D1 tfor segment in segments:
9 a% n6 ^' U7 v0 M  B    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
5 l2 {6 L9 w! W* i) e
        for word in segment.words:
               
, C5 e! |0 _8 K3 Q% D& Y----------------------------------------
( t4 _! @+ s/ W" e3 M* P( z2 z8 Q
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。
2，segment 本身是很粗糙的，做字幕勉强能用。
# J" y* I9 P7 h5 Z" W6 d+ P3，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
, A8 W- j* n: B0 J比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
( s8 t  z. c! V% X5，model.transcribe 中参数说明：
5 n; F  O$ R; E! [& R5 t% p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
, R8 m1 r3 X, L" u/ ]其中
7 K0 F6 j* v/ m3 n# J    word_timestamps=True,
7 S/ {$ W6 `# G' t8 o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。
其他参数可参考源文件：
/ K8 d. }/ N' x) D2 X- Zhttps://github.com/guillaumekln/ ... isper/transcribe.py
0 N# ~3 f) d! E" n- @5 ^+ o152 def transcribe(
% @+ p, M! N% W  g' r& A6 e从源文件你可以看到是支持中文的句号断句的。

3 F' {% R5 k3 W$ u- I$ p* 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。
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。
7 _( R: y) T7 y  W: u: E
! n) S! O6 W  B
0 {) l5 c( k& t3 B% `3 T' _
& M: [( k: i3 @" x

nanimarcus

多谢各位榜爷打赏。