faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
/ d4 O1 z2 w  O# {( g3 O; `6 v/ a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。
' f' Z2 f3 A) c. Z) H0 I5 l----------------------------------------
; z* _+ D7 ?' e2 y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。
----------------------------------------
3 g& N9 f. v0 m( n7 A5 a: shttps://github.com/guillaumekln/faster-whisper
安装如下：
- ]% ~) `* s2 I/ J% s1 P) r1, Windows 10
2, Python 3.10.11
5 x! b5 {+ ~2 B+ [7 r, I3, CUDA 12.1
2 t8 x1 Y3 T. G6 }, g' J, j% R4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
5 G8 K: u! U6 h1 l$ m( 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。
, @3 j, }8 D2 f3 i8 v8 }5，pip install -U openai-whisper
/ I% V+ }3 Y3 L2 P这是向whisper 致敬，可以不装
4 k% @) {- [  r3 l  z- _7 q7 g2 w6，pip install faster-whisper
5 {. e7 R: i& A4 Y----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
$ _, G% E& L+ H1 r5 d5 b6 x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：
! o0 v$ v* k* @. [4 P
----------------------------------------
( ?) Q: l7 \0 x8 J  h. ^; D
) {& h9 w1 @9 E. |from faster_whisper import WhisperModel

model_size = "small"

& i7 Y5 Y) N3 r/ g6 Mmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

/ c" x1 @% c) g% Vsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
1 s% Z" f3 Z* A$ P' c8 I) f    language="en",
    task="transcribe",
/ l; @5 q0 D0 ?, Z  L2 S4 I1 n' W/ V    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
4 \8 ]. i7 c$ o% [& \& e
for segment in segments:
4 T7 w0 ?, ]8 f+ D    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------

代码说明：
! H8 K8 A7 p1 a+ k8 t# F; t1，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。
+ {* a7 q' T. q% ], b2，segment 本身是很粗糙的，做字幕勉强能用。
) q2 K# M4 G0 s, _6 n$ q* J3，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。
( w, ^/ v4 q4 l5 B7 _/ F5，model.transcribe 中参数说明：
0 Y" \- M/ W: }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
% o6 ~! H7 I7 z% s3 @6 g( l* H    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。
其他参数可参考源文件：
. I9 H. X+ v2 f  Hhttps://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。

4 P" Y9 E. F2 ]+ m# i- a# N* {3 _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。
( X. |) W/ V: R' o! e" }. K7，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。
& m7 `! y2 N/ H* ^( m; 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。


9 X- d( C0 |$ A# {2 ~

nanimarcus

多谢各位榜爷打赏。