faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

6 q; C3 g- e, N, r& o; N
# A. ^4 @( D& ~$ Y. T5 g, V% 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。
, }7 [, _" Y9 ~) f+ q5 O. w, |! u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。
+ ]# S. d* B5 e8 {) m. W. Q----------------------------------------
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。
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。
----------------------------------------
& Y3 m( R/ x& ihttps://github.com/guillaumekln/faster-whisper
; L6 ^" T! B; O0 E& z# ]# x安装如下：
$ ^' T9 T0 x2 |& K' a& A2 e) S/ d1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
" J, v* u5 Q5 Z7 K9 `; v4 I% b9 k4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
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
4 i2 j- M! x. H这是向whisper 致敬，可以不装
6 a" N2 H( d6 P# ]4 f8 Z2 G6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
) e$ Z* ~& U5 w4 `- 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：
) H4 R  v5 s- g: A- k# m9 P' n6 S
* d  A# T$ L9 M% g6 X----------------------------------------
, y3 X# k4 Y" S4 f2 Y
from faster_whisper import WhisperModel

- ?& D. S/ I, w/ ]& Mmodel_size = "small"
+ q" ^6 d: L& A! c3 R
5 ~$ g( n& q4 R6 K5 K0 J9 I. x% Amodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
: Y; |7 A8 r/ X4 g+ g9 h    sourceFileName,
    beam_size=5,
5 N( H1 b, g* h/ N3 z    language="en",
& P6 r$ f4 }, _3 V$ @    task="transcribe",
" i6 O9 N+ q3 h0 R( |% `0 M    word_timestamps=True,
: X( a, A3 Q$ E$ D3 Z    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
( ?! U/ d9 P; Q% I, Y    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
, i7 Y; D" X1 g7 E* y. _$ b3 u
! {- w2 g, G& M# G' s3 G        for word in segment.words:
               
# v( o9 `0 k7 N3 G8 A8 I5 ]----------------------------------------

: ?8 w$ r% ^! o( f3 m1 Z$ X- Q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- l5 P& i0 H! Y3 o- i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。
6 L( |2 U+ ~3 E6 d; G2，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。
* S" {- ~) {3 n- v5，model.transcribe 中参数说明：
9 Q/ T' f# |! |  X: N( R. e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
$ J! u1 ~% C& O: e其中
' t$ \6 c; \1 j  n, k    word_timestamps=True,
6 \# v$ G9 Y0 F保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
6 {4 J. P- d1 c/ b) x; y, i保证能尽可能准确的断句 punctuation，但是不是决定性的。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
1 o, M: E$ r5 p! Y从源文件你可以看到是支持中文的句号断句的。
5 u; F5 ]5 i. `) W
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。
' _& w  N: R0 D4 I* {. C8，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 V" h$ l  _( i

nanimarcus

多谢各位榜爷打赏。