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。
----------------------------------------
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。
# O7 m" r  @, E; k( I: w4 g! ^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。
----------------------------------------
- f9 K5 @2 B$ G+ Y7 W/ khttps://github.com/guillaumekln/faster-whisper
( E* {; a, d' R. N% y. J- V" _安装如下：
1, Windows 10
4 ^0 a$ ?9 c( Q; t* c" G8 j2, Python 3.10.11
3, CUDA 12.1
2 s7 _6 |8 Y& p( f+ ]- U0 M& P6 j4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
$ k; z# Q4 Y7 u2 `$ q8 N/ W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
# {4 l( u& E0 O, j. `- Y* E4 l这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
5 K$ `+ X  f! X, E  Awhisper 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：
5 v. F) c5 c$ ~  c8 u! C( I
% W/ E. b: A* ]- i+ I" `----------------------------------------

, k4 e% a7 Q! z% O( [4 E3 ]from faster_whisper import WhisperModel

model_size = "small"

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

segments, info = model.transcribe(
    sourceFileName,
: x; y9 S0 l4 A: j2 S( S  y. i+ M    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
, j4 E# M0 U2 @; W9 u    initial_prompt = "Hello, welcome to my lecture.")
  k) c2 |& v8 w2 m3 [% Y9 R
: n2 k. G. B' c8 L2 W, ]8 U- {for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
5 }9 h: G! `! n$ n# ^6 ^
9 D0 z  p5 E2 s) A5 v. M4 S1 a        for word in segment.words:
% u8 q5 Z' B" \" C4 E6 P               
  I+ f. G# x5 J, V----------------------------------------
+ A. @0 G" |5 p3 g. o7 _- w/ z- v9 e
* v7 c8 X' B% _代码说明：
# S+ p9 V; y. o8 L+ e; e$ ]9 Q" ^, {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。
4 ^* m& X5 K# z3 k: I3 T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
( B- ^- j- Q/ F: O  t9 w  Y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
; W5 c- [& A; c, v+ l. \$ o其中
    word_timestamps=True,
, `& F, j) Q) B7 T2 d# Q0 ?保证了你能拿到 word，否则是拿不到的
" [  Q+ @4 H% m6 m9 q! b  T1 k8 a    initial_prompt = "Hello, welcome to my lecture.")
7 L/ t/ x  K; L$ u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：
# o3 R* A( `+ _8 zhttps://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。
; S- r2 P0 O7 k  P  z) e
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。
* j1 P& r4 t$ y5 \) p8 e( Z7，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。

nanimarcus

多谢各位榜爷打赏。