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。
  H. l0 O% W  P----------------------------------------
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。
0 x. n+ w" p/ e  P  \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。
----------------------------------------
  |( B; @" F1 [6 J. G7 q) b. }https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
5 Y' d2 d2 i7 }" a" P( y2, Python 3.10.11
$ Y' I% K2 P+ R3, CUDA 12.1
5 `, n1 v8 R- d* x6 a1 R1 w: ^0 T! I4, 在python 3 中安装
- E; K  M2 O9 F! `) upip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
; c8 p" b2 N9 D. D' `2 z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。
3 x3 w0 y) F. K5 D$ @+ }5，pip install -U openai-whisper
, E, P+ @' a) E/ T% O# s" n1 {2 K0 A* m这是向whisper 致敬，可以不装
9 d3 {1 @) m8 K3 G6，pip install faster-whisper
----------------------------------------
7 e/ G9 s" b( p. I4 [9 Q* Bwhisper 我用的命令行，faster-whisper 我用的是python。
4 s  p4 T% R3 H1 M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：
3 i+ J: p% `$ d# w' _4 o
----------------------------------------

from faster_whisper import WhisperModel

( ~) c" i' q6 T4 ?( g8 ~& rmodel_size = "small"

& W+ R" a4 d& J, _& jmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

' d- G8 u/ Q' }2 K. z, a) f+ \  hsegments, info = model.transcribe(
$ Z- o8 A" q$ O    sourceFileName,
$ O6 _% Y2 L0 K. W% b    beam_size=5,
    language="en",
    task="transcribe",
' G& w3 f# m" x* E; P    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
2 P) _( z# V( w# t
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
8 ]$ h2 ?. D# @3 C) u! o( l----------------------------------------

* G2 t4 c2 }6 P: h, 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。
# K6 X/ c/ V/ e; G! v  h3，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。
/ S! z& o5 }% A! e7 Y8 j* @5，model.transcribe 中参数说明：
" E$ e9 B" e5 E+ q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
) {" o; K% }- W4 n    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
' @0 O8 h" M7 e! t1 a' i    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：
( R7 }6 V+ V' r3 n  N6 u" _https://github.com/guillaumekln/ ... isper/transcribe.py
" m: F, q9 m, e$ |8 @152 def transcribe(
( x9 i0 q& F- ^9 P4 U从源文件你可以看到是支持中文的句号断句的。
+ b+ |# R3 x( L" c) Z* I6 O4 |) _+ 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，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。
8 i  s' I( F: B3 f+ I& b) z" M

7 G; _( ^% |$ o+ I% v

nanimarcus

多谢各位榜爷打赏。