faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

9 H- N, i" g7 E  x  q$ O9 M9 n
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。
7 k: A  Y( {/ e, o: y5 ~5 J----------------------------------------
% ?5 f1 h! d# |& r8 e  N' n4 d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。
2 Y- L2 r# K+ h' g3 n9 h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
6 ~& y4 R* C' }8 T6 Z, ~* W安装如下：
1, Windows 10
$ T; y" R& l+ P! G/ x! J2, Python 3.10.11
. z+ F+ l2 I8 v3 Y* E# Z3 ?: i9 e3, 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
% [& Q& z/ E9 C& Y, M: O  [4 ~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
+ p" S( S+ K; c! {8 N3 _6 b这是向whisper 致敬，可以不装
6，pip install faster-whisper
. f/ N6 T  L% n! S----------------------------------------
0 p1 f$ t! s4 h8 n0 b1 Iwhisper 我用的命令行，faster-whisper 我用的是python。
4 B; z: I7 e7 I( i; w& j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 I- W3 F/ O2 U$ I----------------------------------------
& @; r3 [! y! g# \) C# I
# ]6 C3 H2 M* d6 h) R, p: `from faster_whisper import WhisperModel

7 P4 X. [. w5 i. Amodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
" i& l2 K( m/ P: Y& v; P! f, r
segments, info = model.transcribe(
* @% V2 O$ d7 Z    sourceFileName,
& @& Q% H3 P+ h9 W    beam_size=5,
$ B7 `" t1 e+ I6 a3 t' A    language="en",
# P: H% F5 K5 y( _    task="transcribe",
6 Y0 g) x1 D' J& v! O5 s    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
  i$ m4 D) R. ^) z8 c, s9 b- ]) |
8 @# f" G* o5 g* O4 r' u8 ?8 i$ a* Y- lfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
4 B$ h5 d3 z3 x: C" u& z
        for word in segment.words:
               
, b/ b& W9 [0 e5 _8 l4 S----------------------------------------
& }1 s, }( F- N* h! D" v4 ]/ Z
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。
, w( u  h8 U& K- k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。
$ a7 P' J+ i8 @0 U+ s0 D2 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
) b, _% C1 U" T5 k9 @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
0 n" l5 s3 h) x: f+ |: u其中
    word_timestamps=True,
" f/ D# D& {2 P. K( T/ F保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
( D- o5 e; m* F6 ]  d保证能尽可能准确的断句 punctuation，但是不是决定性的。
3 C, ?2 n  v( [, s其他参数可参考源文件：
( r0 S, c/ @4 z- dhttps://github.com/guillaumekln/ ... isper/transcribe.py
2 X5 \+ c. [2 m1 M152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
2 f+ I) [8 L- c0 s
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。
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。

3 r3 y4 v4 u$ H! G
  h( b4 |8 T, ^! D6 |% J
4 |' K8 F9 K& a; v& [, x1 W& ?

nanimarcus

多谢各位榜爷打赏。