faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

2 h4 W8 P: b# k8 C
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$ {" O/ G! F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。
. |8 S: U% b% \! [4 d9 t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。
5 B1 w' s, v7 v2 X1 z----------------------------------------
& N  I1 u* x9 z3 [% |https://github.com/guillaumekln/faster-whisper
; d- }/ ]# h. h$ I安装如下：
1, Windows 10
& Q0 G0 j9 x! }" ^% N- R2 C4 h2, Python 3.10.11
3, CUDA 12.1
/ |/ C5 M1 {# b4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
7 |& }9 n2 ]$ ?: g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
' b5 d; V9 J+ Q6 ^' y" J7 x这是向whisper 致敬，可以不装
6，pip install faster-whisper
( p7 Q. V/ F: L, F( f  ~/ Q----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
, H+ f$ a$ o' `3 H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：

----------------------------------------
' s8 Y4 M- J* G$ m
$ M% y$ E  Z; |  ~3 W6 d6 ofrom faster_whisper import WhisperModel
9 R* C* [3 k/ A3 c0 |7 D3 v
, W+ o! Q; [6 H( r; Xmodel_size = "small"
, r4 w/ L4 I$ h# G
model = WhisperModel(model_size, device="cuda", compute_type="int8")
' }: A6 j% _6 c3 z# e* q
, l" O2 V# J4 r1 asegments, info = model.transcribe(
$ g2 e. Q. S" A1 ]; R) J, i5 ^# V    sourceFileName,
- f/ ^4 Z( Z. \9 e8 F; z3 H    beam_size=5,
# m& S  o$ n$ n+ E    language="en",
4 L- n1 k* v. t2 l  Q2 I, U/ F. A    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
3 r4 p2 g3 f6 e4 p9 r5 P6 D7 h    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

, ]4 T  ~- q% I  y/ \; ]$ W        for word in segment.words:
               
----------------------------------------

6 @3 E9 A7 D5 {5 X/ x$ D6 w代码说明：
8 }  X, H. B% w8 B/ G1，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。
* _' \7 M: X7 d+ _' M1 t: g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。
) ], \# l4 i7 [0 m  n( \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。
  z9 Y/ s* z6 ^2 j9 C4，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
9 Z7 e6 n; |2 V; _2 X1 Q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
    word_timestamps=True,
9 i7 e: l. P% S+ }" B0 ~保证了你能拿到 word，否则是拿不到的
9 _0 L5 P* a' \    initial_prompt = "Hello, welcome to my lecture.")
0 v0 m$ W9 J. r, ~6 m: D0 p0 Q2 I0 c保证能尽可能准确的断句 punctuation，但是不是决定性的。
: f- o8 ^5 }! `9 L% G6 C# N% l其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
0 N7 R, _" j4 G5 {$ q& t' k+ K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。
; |7 S+ A" c! M1 B, ?9 X: p

nanimarcus

多谢各位榜爷打赏。