faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

8 O/ u/ k6 o* T; Q! l0 h1 Y1 u
5 y, R/ t3 c: K: G$ p, 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。
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。
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。
8 k% L: g- [. j& g----------------------------------------
6 t/ x; }- y3 u+ xhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
# O3 j/ y/ u3 D& ?( C$ B: K4, 在python 3 中安装
1 H% ~$ M8 [0 t9 W/ D1 Lpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
9 Y" n' ?$ X6 W: {" i+ F+ H1 F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。
1 q. n) G2 g! ^# [+ Q+ }5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
$ B. Y, F7 x% \# f3 H# Z+ O! @# Uwhisper 我用的命令行，faster-whisper 我用的是python。
# E/ h0 }! O/ c: y& L/ M: S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：

----------------------------------------
6 j. Q# m" i, A3 P
7 d2 K$ D+ h* o- n5 Ifrom faster_whisper import WhisperModel
! R4 n  n; J5 I
model_size = "small"

1 H" r' v2 t( |3 ?6 i+ ~6 p7 n& a9 _model = WhisperModel(model_size, device="cuda", compute_type="int8")
6 p0 k0 B  B* u' n
4 Y/ o. d, s9 M5 F: y3 i* p$ t* Vsegments, info = model.transcribe(
    sourceFileName,
! e# p8 V  a7 H* H    beam_size=5,
2 |0 e4 [9 a) ~4 z    language="en",
    task="transcribe",
. b" Z/ a% y, @+ d& G    word_timestamps=True,
, h, `' n0 z$ q2 v( b    initial_prompt = "Hello, welcome to my lecture.")

: i2 @6 l  o- s" h* t9 {for segment in segments:
7 m0 Y) m2 R; R/ ~    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
, w; ?6 n- f5 B: [. x. L8 u
9 {3 J/ V/ H2 I$ u9 S        for word in segment.words:
               
----------------------------------------

0 a6 k0 z4 b7 _) b* F- F$ W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。
1 y' e; f% `2 A. [4 I: t$ v2，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。
0 X" @; V' O* s5，model.transcribe 中参数说明：
! o9 ?/ C* n( F2 x! j+ X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
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
- A& e9 Q( b& V* l  G4 G* L! F    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。
, b( H6 p' ~$ S  O2 d  w2 ~. A' M其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
% A2 p! O. J5 z6 N% S6 E152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

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。
- x7 ^# {2 E+ {( g9 B) e: S8，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 e3 A3 ]  J; H) u3 z

$ ]5 a$ ?  l2 g+ [5 ^) J

nanimarcus

多谢各位榜爷打赏。