faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 r# d6 t4 D9 p9 K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。
% p, U: y3 @- a' U+ j( n4 K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。
9 {3 j# @. K2 D. P# G----------------------------------------
/ ^7 D5 l/ H6 k# L* \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。
( r' N5 g; N0 ]/ f& t; `1 B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。
$ i+ n+ y+ a0 n5 q% I2 q1 n* f----------------------------------------
5 E; o8 D' _! G% }# ^https://github.com/guillaumekln/faster-whisper
# }' G. r& @+ K5 W. M4 P安装如下：
" `( d+ t, U2 X% I; Z) O2 c1, Windows 10
2, Python 3.10.11
3, 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
9 |4 ~4 T# |3 M4 k9 B, i0 {2 ?. V) l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
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
' `& E, \5 R2 \# ?- z7 T$ l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：

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

/ z* |4 C/ W& U& ~% r+ |7 Gfrom faster_whisper import WhisperModel
* `9 _! f$ l9 a7 G3 d
) I! l0 B, x6 \0 \9 Omodel_size = "small"

+ t, M- [' o: j# ]+ }1 Z8 y# Wmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

/ Z; q( C6 {4 N7 e7 ?% tsegments, info = model.transcribe(
    sourceFileName,
6 P. W" |! J2 @' R# k1 p    beam_size=5,
5 Y5 Q, a! ?1 s' ?. q    language="en",
    task="transcribe",
    word_timestamps=True,
) L! r$ J( g2 H* o: l    initial_prompt = "Hello, welcome to my lecture.")

" W, ^; {+ p& o3 Dfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
+ M1 U; V" k, S8 x
        for word in segment.words:
6 X: N& T% k; g! o/ k& c               
----------------------------------------
; W- `6 D) F+ X
代码说明：
: G' v2 U1 p- i2 F# |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。
0 R; I7 u7 S! A% z7 J9 |7 i2，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。
5，model.transcribe 中参数说明：
% \8 H0 u# p, N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
) u- Q5 l( y8 l$ K9 g其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
" W: }, T8 ]: T0 ^保证能尽可能准确的断句 punctuation，但是不是决定性的。
3 ~  m# t% p+ s1 \& ]其他参数可参考源文件：
0 _, n' ^& c! _4 Y5 S0 p, h+ thttps://github.com/guillaumekln/ ... isper/transcribe.py
, y! ~9 \( }; d5 v' o152 def transcribe(
% T6 S) N- c1 \1 @. W2 t/ ~. Z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。
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。
) }4 s) a$ m" @9 o+ y5 J& ^- T

+ R2 \$ j( t$ ~

nanimarcus

多谢各位榜爷打赏。