faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

2 ?) n) C" U+ L6 K) n6 I- p) z9 [# `
7 i* A2 ~$ m. K" X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。
----------------------------------------
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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
' m* d- n( c; h! {安装如下：
1, Windows 10
2, Python 3.10.11
. Y( N: B3 Y4 [) D( I& Y8 M& l3, CUDA 12.1
( D- G: b# L' |* I% w: J( c4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
% y3 l/ `7 ]) B. q/ O/ a9 W. P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。
& |' ]) U3 X( f. y5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
% X" ?7 Z( ?: h6 ]$ C/ y6，pip install faster-whisper
----------------------------------------
+ s9 s" u, C5 ~: [  nwhisper 我用的命令行，faster-whisper 我用的是python。
# t, B$ P, q# a! J1 A' T* {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：

9 ]- W, S: t, Q% k& o: k- ?----------------------------------------
; B  ]6 b( b$ G8 V0 I
from faster_whisper import WhisperModel

model_size = "small"
8 g. H, N% R7 }$ I2 r% n6 p' F8 @
model = WhisperModel(model_size, device="cuda", compute_type="int8")
+ I$ D1 T, \- p" a
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
: N7 s! c3 m0 \0 f1 t  k    language="en",
4 u6 v) l$ b, v: i4 _. p    task="transcribe",
. `' f- v, g7 R- D& p: v. R- D    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
/ C. {9 z! `  q2 A- p' y
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
# t# w" ]3 E. `, ^$ f/ u7 |
        for word in segment.words:
- Q/ s: K4 h7 ]1 G/ h8 H& }               
----------------------------------------
  Q( r& o7 K( W6 ]# l/ m
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。
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。
1 W, |- L' V1 c$ U# P2，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
; F; k+ Q% \7 k( N比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
, d9 s$ ^- B9 q2 p4 v* J0 {5 q+ i5，model.transcribe 中参数说明：
; a- [' X4 {* _- c0 Y1 J- |$ a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,
保证了你能拿到 word，否则是拿不到的
; U# t" ~& ^) X& A- I" `2 N$ p& o    initial_prompt = "Hello, welcome to my lecture.")
) S  d. R' J" L3 A. l保证能尽可能准确的断句 punctuation，但是不是决定性的。
- u% {# X# N8 [" \& w7 L其他参数可参考源文件：
$ d$ A6 R; c; c- C% }https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
. h1 X1 Z: v9 v1 o从源文件你可以看到是支持中文的句号断句的。
4 I7 b3 s6 R3 ]$ ?; I
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。
& t  ]! [; O* N5 Y2 I7，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。

1 a9 i* k  n, \; Q
8 K$ x6 ^; C! M# Z/ p

nanimarcus

多谢各位榜爷打赏。