faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* P: R! H2 m6 @( }/ y
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。
9 X) ^& {. j8 P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。
----------------------------------------
# M: ^" E& e. G3 v! T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。
+ {6 F9 h, y; [8 E9 Z2 U: B# Z8 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。
4 {& r" M3 d! A3 H. B----------------------------------------
! P! H  W1 m- T6 s# [% thttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
; B/ l  p, Y# j" y  o% e9 K& |# i2, Python 3.10.11
9 r" O4 q% Z* O) T3, CUDA 12.1
4, 在python 3 中安装
, @! H3 e; u+ w9 W- N/ Tpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) c2 Q' R% R/ ~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
: g$ [& ]1 ]5 D这是向whisper 致敬，可以不装
6，pip install faster-whisper
( u  H, ~# u# i8 {5 J! n0 {----------------------------------------
9 c+ V! q  ^8 T3 X$ n7 owhisper 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：

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

from faster_whisper import WhisperModel

7 x# P5 d/ m. a2 k: ]1 S2 q% emodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
: r, j7 |3 H8 u4 D. J
segments, info = model.transcribe(
# P% P8 b' ]4 r- @1 r& Y% Q" Z# w    sourceFileName,
8 i8 u5 I* B! i  z  D& P% f9 v    beam_size=5,
    language="en",
2 P! I- S3 M& T! E    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

' E. N- E# {/ y0 m% }2 Xfor segment in segments:
1 L: z9 a3 ]2 E1 H    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
+ i7 T# E4 k) Q- r! \. g' S
        for word in segment.words:
% S. K1 }. v8 ]! w' x, V               
----------------------------------------

代码说明：
5 c. O6 v% z* A1 M: X1，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。
2 |' d; Z% u: Q; `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。
" n4 h" u  q+ \  k# j0 M2，segment 本身是很粗糙的，做字幕勉强能用。
, c) x  ]' A9 u8 l' d6 r3，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。
2 X6 e3 k* n9 j( {9 o9 D+ X/ r( J4，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
  T7 f- q" U/ v9 P" 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
6 ^. [0 M. U! t  N3 j! i其中
) w/ [9 @: {$ z, X) {  X  `    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
, |( Q2 Y! `# O4 w    initial_prompt = "Hello, welcome to my lecture.")
8 f( h- ]6 q1 o* k- @保证能尽可能准确的断句 punctuation，但是不是决定性的。
! W% w* i9 w: I$ K& U! y其他参数可参考源文件：
8 b4 D: Y1 D- }  m! Q7 i' Yhttps://github.com/guillaumekln/ ... isper/transcribe.py
/ h# `* a" v# V8 _" Q0 d" @152 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。
0 B# M4 `, c* i+ r" z' m7，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。

0 V3 G# P  |2 \' m( ~" F2 y! i
9 \3 }9 l5 A1 Y. J# Q5 x$ E% U$ s

nanimarcus

多谢各位榜爷打赏。