faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

& a) ?/ F, N# B+ G% m- |: ]) \
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。
3 ^2 v! Q/ t2 Y3 C) K! J2 E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。
) N, o7 n# }* x9 Z0 E- q# z----------------------------------------
: r( ~/ h& D' I$ T% |# E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。
4 A+ r& V) W9 a8 s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。
# F0 f+ N8 p* Q% E----------------------------------------
$ v1 l% ~* B6 ?  G6 ?# b& c3 k- shttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
  T4 A+ X3 w- t1 S9 Y8 r3, CUDA 12.1
4, 在python 3 中安装
3 W4 O4 y+ T; s) kpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
. b: Z. i- V; {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。
+ _! _8 D8 W' C3 k% F. d& e% I5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
: ]5 ]3 o; C4 |# D3 G- Y----------------------------------------
# o% M5 n' N0 n5 {. G/ J0 y6 bwhisper 我用的命令行，faster-whisper 我用的是python。
! P4 ^1 f  ~: l  P' |7 `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：
2 c6 ?  g) t: q9 q
----------------------------------------

from faster_whisper import WhisperModel
2 e* F. z3 _0 t! J6 P
model_size = "small"
9 R) ^2 b- Y0 _. g) |- j
9 y/ K) U+ s" `4 Ymodel = WhisperModel(model_size, device="cuda", compute_type="int8")
0 l' v6 m: ~$ g) Y
) M- t8 [3 w+ Y6 ~- t) ]: }, Usegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
6 }; @" `1 F7 s( L    language="en",
+ W5 u3 I; U$ u) [    task="transcribe",
( q8 q, s* K$ Y. z) J2 n# E    word_timestamps=True,
# Q, J- G! _1 m+ y    initial_prompt = "Hello, welcome to my lecture.")
8 d: @) E+ @& @' P
( K0 m5 H  p( ]for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
$ H5 Y$ i, N" z# Z9 b! q# X$ u
        for word in segment.words:
               
# F) ]! K1 a, D' Y: T- C6 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。
' ]' I6 c# u2 ~8 p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。
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
& ?3 O( Y' `  M5 h2 X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,
! I' y- F' Q& A保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
9 `& V) C% |* B8 @0 v保证能尽可能准确的断句 punctuation，但是不是决定性的。
2 A. K2 I, X) H( p其他参数可参考源文件：
) ?7 b; Z- m5 Phttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
0 ]- P+ q: B7 }; F3 j. G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。
5 M0 [. D. N$ W+ a7，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。

  ^- h$ n5 N# k: N3 i0 {5 ?' S8 X9 A
: ?. B' }7 m6 `3 B. H8 Z
- _  L" q4 W! R) R

nanimarcus

多谢各位榜爷打赏。