faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

& {  L1 ]$ B5 i( L* W: @
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 Y3 E1 @  q. L, `( A0 n  W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。
* C, d2 T( m2 D7 A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。
* |/ f# ?1 P- l3 _----------------------------------------
) l& H4 z) M3 P. I% B; x( \8 J$ Lhttps://github.com/guillaumekln/faster-whisper
, `- X( O; ]! V$ |0 V安装如下：
+ T0 T, E1 ?) ], B- g1, Windows 10
$ P& E* P9 X% t, v2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
% `0 r% A/ C5 E; I* q, `  y* mpip 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。
  L, c' w5 g" @' Y5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
  ?4 x$ K' B) K0 L* k, v; x6，pip install faster-whisper
----------------------------------------
8 Q9 y' u4 ]9 ]* _& }( }whisper 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：

5 y5 }* F8 E1 f' b----------------------------------------

6 C/ ^, N0 ~% L' r; z, s# Ifrom faster_whisper import WhisperModel

5 M. B/ ?  Y1 C) b* F% a/ f$ jmodel_size = "small"
$ \. Q7 ]8 A4 J
) Y0 Z& L# e$ y2 e% Qmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

3 L% ~( H& j" ]+ a, Nsegments, info = model.transcribe(
  R8 P8 @  e7 f9 a- M/ N    sourceFileName,
    beam_size=5,
  J; m1 F4 O# X4 Q* V1 B, N    language="en",
% l4 u% x) l& R7 p5 d    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
. G  `" t0 H% Q1 O& M' Z) s
( T5 ?$ R: O/ d7 j# ffor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
1 g) c5 F' }' X" P( R' w4 C----------------------------------------
* z8 P7 b# n" |2 p; h5 m" [
代码说明：
/ s" `9 g2 z$ X' T) G% V7 S1，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。
# T% k3 N+ j. d4 x4 I: P3 ]* B# j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。
6 b5 h, u3 |) T$ C$ C) I3，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。
5，model.transcribe 中参数说明：
8 |. h" L9 C* j! O' f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
: L/ N- y. G2 u) p    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
/ `/ ?$ Z; N8 M* `4 r9 C8 `% b保证能尽可能准确的断句 punctuation，但是不是决定性的。
! w2 X( t' i  {其他参数可参考源文件：
9 [4 [/ |- m& V. `( I8 h" Lhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
. Q/ q# t  E6 T2 c从源文件你可以看到是支持中文的句号断句的。
- y2 T0 [. h% y. }8 }- N7 @2 f
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。
, g/ z& u* z( e7 E; K& d$ z7，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。
) ?0 ^, r& U# J) H. h

6 u( H( T8 O' M: |- H, P+ H4 l
2 ~4 O/ Q% g' ]* T" P

nanimarcus

多谢各位榜爷打赏。