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。
----------------------------------------
" z' W4 U6 x3 t1 f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。
, C2 U  C2 f& G, f4 x  r4 l' i  x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
8 e' ]7 r4 n# \; E安装如下：
1, Windows 10
7 K9 k& O/ M) o2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
2 C( S/ o4 b* `( V) rpip 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
$ g7 i8 d/ D( {0 I1 I6，pip install faster-whisper
3 Y3 o" N, o3 m3 {----------------------------------------
9 S5 m) c2 I  P/ H, Kwhisper 我用的命令行，faster-whisper 我用的是python。
9 s! }6 e- d7 L; U" F/ |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：

  x) C# r8 C$ D- _. U& V% Y----------------------------------------

from faster_whisper import WhisperModel
, I8 D4 I5 E( E8 d
$ r- I$ w# @5 I& amodel_size = "small"

3 W# l3 q# _4 L9 gmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

6 c: F+ f' ]" p) Msegments, info = model.transcribe(
) R% ^3 v! b2 i1 H    sourceFileName,
    beam_size=5,
0 s5 w. x5 o" w  L2 }    language="en",
    task="transcribe",
+ J9 y& Z, y5 k0 _3 g    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
/ ^5 w! i! @  x! r$ o, z5 a/ ^* y    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
9 n+ Z8 @$ ?# F               
5 d! v. b  V, d+ _2 l/ P6 [----------------------------------------

( Z3 F9 B; B2 a% y$ ^$ ]3 u代码说明：
( ?7 E+ [8 W6 O+ N8 Y; t1，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。
: M( N) S* S1 e; r1 h2，segment 本身是很粗糙的，做字幕勉强能用。
3 L- P* \6 q& e) V3，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。
* V  L1 Z# |5 e: O4 Z" s+ e5，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
其中
    word_timestamps=True,
' o2 n; m: j$ [( R9 r+ q! ^保证了你能拿到 word，否则是拿不到的
9 ~/ e9 ^" o$ |- x& \3 S/ G* q: K5 M    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：
- Q& @, J/ f0 z. Q: ?/ V" I1 U9 }+ {! _https://github.com/guillaumekln/ ... isper/transcribe.py
) s  {# Q4 g* c! A" q152 def transcribe(
8 {, e- ?8 S5 K. Y& N) `从源文件你可以看到是支持中文的句号断句的。
/ t0 Y# z7 ?+ h( n
& G- l) K7 r  t  ?9 P. n1 l6，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。
3 T" }, O& r  p- a0 t% Q8，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。

+ b: |5 K; P. M) A7 _

nanimarcus

多谢各位榜爷打赏。