faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 w7 T) M8 Q9 ^' U; R' C  X8 n. h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。
  _2 y) ~. C. L. Q% H, Q- @# b. E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。
: A. d% x8 N: \----------------------------------------
( R1 [/ A: `3 }, r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。
9 g+ r% z9 }+ b& j% }! u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
& X8 M% e6 q# }$ L9 ~+ ?3 ~安装如下：
- u+ U5 P) k& M1 p4 n' [1, Windows 10
2, Python 3.10.11
3 x+ n8 ]  w$ W) k+ P' q) {+ Y3, 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。
  X5 J% I. [% {# p5，pip install -U openai-whisper
6 q5 K, t. K) c' }这是向whisper 致敬，可以不装
6，pip install faster-whisper
, I; y" t/ F. Y5 t* o----------------------------------------
) e* C0 {* Z1 X6 ]- ^6 jwhisper 我用的命令行，faster-whisper 我用的是python。
% n! S8 E: x1 {. Z: `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：

----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
" C  f+ h% }) u6 Y. |5 q- B
% S$ W1 q4 `0 H- Q: n0 Gsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
* H$ {- `# A. ?+ j/ K    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
! l' q" p* \* o2 u- Y9 M& H
for segment in segments:
9 ?4 Y( E. ^* g& ?5 p% Y+ @    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
9 ~# f3 A. W3 _+ J
        for word in segment.words:
               
----------------------------------------
# f$ Q$ p- e, u- S' y2 ^$ m& f9 M
. t7 C8 w' L$ p" c" x6 k代码说明：
  X2 f. x; j8 N) k7 Y$ D1，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( |- ]0 G" P2，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。
  ]1 i% H1 I. h$ `  N, G; G  V# N4，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
. G3 J5 {2 P+ b4 n" n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
+ y$ L  k. S/ V: p& g% U    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
, g$ L( e9 K" f3 ^! e2 o    initial_prompt = "Hello, welcome to my lecture.")
; I9 }* f2 y+ {4 H  ~+ s0 ^. K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：
( I# s3 G/ n) R* _" ^% N/ O  a' ahttps://github.com/guillaumekln/ ... isper/transcribe.py
" a1 U1 ^5 F3 t  _" |* m152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
' B! L; \/ Z7 P' _# b  Z
2 C& {9 y/ b9 h* B0 X) s& s6，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。
/ k( n& n1 U5 z7 E3 P2 ?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。