faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; x8 m+ `+ b- N: L, S
/ N0 ~) d7 w6 |0 J/ t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。
1 Z2 {) T4 w4 V; b3 k/ q( f0 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。
----------------------------------------
0 o5 f1 h) d! V+ L$ Ohttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
: M+ t' f! g) s0 M) k% ?5 q/ H4, 在python 3 中安装
. o; N* q6 g- n8 ~4 J! q9 [' fpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
- E* S  x1 |: L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。
: f- G( O9 F) ?3 _3 \: d8 M5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
( [/ r+ _0 z% R0 w6，pip install faster-whisper
- [" S; L6 g/ f1 _0 H----------------------------------------
) a6 s- n# c- S7 `$ s% g. mwhisper 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：

----------------------------------------
' g0 X6 f& n4 W+ n5 c. Z6 P
from faster_whisper import WhisperModel
8 H. J3 q: A% E+ b! ^" @
8 N7 i4 n; B0 r" K* e( Bmodel_size = "small"
- ]/ u4 g, a% X2 V6 m$ J
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
# U7 [2 d- ], ?# T2 s    language="en",
    task="transcribe",
2 D/ t) Y8 @. n+ r; N; _    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
3 B: n' i4 y+ l  j. Y
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

( ~5 k5 q+ o; }8 P5 ~* U        for word in segment.words:
               
* C- y% a% }% v  y/ C4 i$ l/ p: o% \" V----------------------------------------

! n0 W) I- S5 X6 ?- `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。
+ P6 O( p+ v6 d) b8 S2 y0 h4 }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，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：
$ D  C# C- R' J1 P1 h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
4 r) p* S0 {8 I/ ]7 ~4 {5 l    word_timestamps=True,
6 p* g  F7 X5 u保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
" ]. k' O% ?! f. R" E8 K! c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。
! q5 C* Y: H" Y/ C/ G
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。
/ T5 z6 N1 v% U) e' K$ R! s
3 {7 k; P* d3 q  q1 t% |  _

nanimarcus

多谢各位榜爷打赏。