faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

2 [8 u+ z  D& j6 V
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。
: ?0 r( ]2 Q" X  W/ H----------------------------------------
& x6 v  [! S7 z$ O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
安装如下：
2 e4 m) V8 M2 r/ l) G& j7 o- E8 f1, Windows 10
) {1 |7 H; r' x' g7 |: k1 ?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
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。
! \1 C# \4 K! r  _5，pip install -U openai-whisper
' x0 o6 x0 x$ p6 v  C这是向whisper 致敬，可以不装
6，pip install faster-whisper
/ z1 \) r& m0 j----------------------------------------
, E; J- N: _  E( zwhisper 我用的命令行，faster-whisper 我用的是python。
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：
! _, A. L  A7 V; ~+ u4 _
. P+ m( \. Q6 x; Y4 W----------------------------------------
2 D  d: o1 D; }" r9 u8 H1 j+ A: }
from faster_whisper import WhisperModel

2 q0 ?  F, a) f" G9 ]" k" Y9 pmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
. C. X* ~# x" E3 R
9 y" o. V0 s. |) V( Xsegments, info = model.transcribe(
    sourceFileName,
$ }! d2 G  E3 E3 c: ?    beam_size=5,
    language="en",
    task="transcribe",
7 M& y: }$ c! Z# h# n, F    word_timestamps=True,
  o4 s+ S+ o2 E/ ]  z( K. S5 h    initial_prompt = "Hello, welcome to my lecture.")

) z# X& f( B  ~5 L9 Ifor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

7 V1 T1 I+ k6 ?2 v% M        for word in segment.words:
! Y/ V! M: L/ [               
----------------------------------------
) l1 y& P& {2 {2 O4 E  J
代码说明：
& U5 T5 v1 Y$ X1，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。
- |* Z7 K. _% o3 L( _2，segment 本身是很粗糙的，做字幕勉强能用。
' ^! e4 x' Z% l/ a7 G9 z3，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。
/ f/ P) b" n0 [8 e1 b; O, b4，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
" N+ W/ v1 f5 Z1 I* L' O  I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 n4 q$ F5，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
  A% J6 f$ ?: o7 D其中
    word_timestamps=True,
6 F& s( S9 }1 ^8 d. {! `. a保证了你能拿到 word，否则是拿不到的
( _- l' n" q9 N! I% y    initial_prompt = "Hello, welcome to my lecture.")
保证能尽可能准确的断句 punctuation，但是不是决定性的。
+ H# x; F% @" z) I  P其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
9 }( p2 `( `# i3 `: U6 O% b! z
5 T0 c0 {; t, A' j6 |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。
! V# [. n+ [/ R7 m" g0 F) l0 O8，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。

" ]; x1 a" |$ S+ l2 s) ?3 p9 ]

6 L0 [$ H7 }+ Y8 s4 I) J, c/ G

nanimarcus

多谢各位榜爷打赏。