faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 E' ]: t' n: T+ k/ W. }
! V% `3 ?% k' u: c- E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。
" N6 r/ m: y& f* L' T0 L- {6 G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。
" j0 X+ t. l* W' w: w6 ?----------------------------------------
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。
" C- ]0 S& Y$ 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。
$ t) d0 a* x  A----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
! z1 Q) N9 m( D- _3 p: {. O% E1, Windows 10
6 _) C7 F- _: l% r. A$ M* `: \2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
pip 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。
0 w4 f: w4 O* }7 \# X" N5，pip install -U openai-whisper
& s' P! J' ~' i, w1 r这是向whisper 致敬，可以不装
5 N) Y# L1 X0 k5 _* {2 K$ S9 H6，pip install faster-whisper
----------------------------------------
% r8 E6 u8 E3 \, j' N  ]$ [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：
0 ]+ ?) x9 \" L. d. H3 B* F- ^0 `4 |3 \
; J- i0 x9 y, j4 Z- e  I----------------------------------------
2 ]( j1 H/ X: a$ f! n7 H
8 n. P* `, L& B  i# ^# t2 r7 Ofrom faster_whisper import WhisperModel

model_size = "small"
" f3 ~7 ?, U9 F5 Q3 p
model = WhisperModel(model_size, device="cuda", compute_type="int8")

3 {! J. k' C: D/ U( |' k4 `8 F' Asegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
) ~& }' M; P* ~) X# q    language="en",
/ a, J- ?/ s" B$ g8 ]$ D! Q    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
) ]5 `& g3 l- x, I  D
& S$ l' q8 D+ B% m6 @6 U+ g" T- Mfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
' _- o: t% @+ r/ \% {, F% q. _
, J! E: i" g8 u6 p3 v9 H& D        for word in segment.words:
- ^- G& j/ o4 G               
----------------------------------------
) @$ L0 Z+ y& ]: r* ~! S* W# e0 _* g
8 r0 ?0 ?6 e' L* T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。
- j) T3 ^$ ]& h8 A" z: M2，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
3 Y6 Q2 w. H" @, f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
其中
2 Z  s$ @& O& g) n* }    word_timestamps=True,
. f- a% z7 F" s# w  a# z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。
( e4 q% w6 m# x2 U8 ~/ D# ~其他参数可参考源文件：
5 u  n% l8 B, {5 g! v+ bhttps://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。
$ D+ d2 e& c5 B8 E
) k5 ^+ ?7 k5 x$ v/ ]3 l8 C' z6，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。
, a: O( j+ O% F2 n3 f7 @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 X# i! B. n0 b3 }* T* L/ n* s

nanimarcus

多谢各位榜爷打赏。