faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

% |; F( G$ [, ]& n% l5 S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。
) h$ R* V* E/ m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。
----------------------------------------
* O9 F0 z* n* m2 g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。
/ |8 e. p# N. F/ X( L/ {7 V/ o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。
  a6 A- b# S: `& Y----------------------------------------
https://github.com/guillaumekln/faster-whisper
+ b; B- p% V, y* Y安装如下：
1, Windows 10
2, Python 3.10.11
/ ]% D: u7 `% u, O5 L3, CUDA 12.1
% h9 ?1 Y3 ^0 b+ ~; `: s" g/ J% r8 g4, 在python 3 中安装
% X) Y! I5 }% G3 _% ~3 zpip 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
6，pip install faster-whisper
5 j: B* E- h: V8 t5 A0 X----------------------------------------
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：
& s, @- R9 v' Y! W. h
----------------------------------------
$ p6 N  A  S) z
4 z1 v1 \/ c% [* {" v* T$ ufrom faster_whisper import WhisperModel

: v) g; P6 }2 M/ Z5 j! kmodel_size = "small"

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

segments, info = model.transcribe(
0 K5 Q! c4 q: f( O    sourceFileName,
% L( |. \+ J% r; B! r    beam_size=5,
; Y( \, |4 g; [9 K    language="en",
$ y4 ^- O1 u( g+ ]% i4 T& a    task="transcribe",
: N% w) N& F* G% m: d, z' D6 E9 q  T1 c    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
# Q2 X7 n0 D% O; S/ [               
----------------------------------------
4 y: c1 b% \) ?1 `; W
9 i! e. r! J" r  q6 K: |: i1 Z* g" b( d0 Q代码说明：
# k* [# s, O# r1 l/ i8 B1，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。
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：
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
' O0 l2 {2 I6 @$ G* S- J4 e其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
- G/ W4 P) u+ j5 X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：
; a2 [8 @* D5 d( w; ?8 u. ehttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
4 H: W  I" k, w1 f9 Z! l  V从源文件你可以看到是支持中文的句号断句的。

8 {6 [, B4 Z+ _0 N2 C% H6，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。
" c% w' G3 O5 V9 ^/ N) U& E7 e7，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。



4 o. I& W8 g% g4 i

nanimarcus

多谢各位榜爷打赏。