faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

3 ]5 a+ O. \  X  W5 I
& U- {7 u( e9 l' q* P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。
----------------------------------------
' j& W+ T" i/ |, n0 [4 h% \https://github.com/guillaumekln/faster-whisper
4 V, ]7 J2 r9 N/ r( _安装如下：
1, Windows 10
, R4 _' D- m+ }$ k$ a1 R2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
/ Y5 }+ ?, }1 W( ipip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
  @9 v" a9 U+ ?3 S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
! z4 p6 z# H7 Y( K这是向whisper 致敬，可以不装
9 ^6 Z) e; b  S& R+ i" B6，pip install faster-whisper
/ l  i2 F" k! o----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
1 |9 g5 t6 h" B5 I3 Z7 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：

: M8 e  D& k! C5 x& F----------------------------------------
7 d9 \- {5 c, ?" G" F" G- A
: a2 n3 o, Z9 B. D) Y6 Cfrom faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
1 B0 x1 D- Y" `- m7 [    beam_size=5,
& U2 a' V. }: m5 d    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
! {- i7 }/ ]* P; Z& S) c
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 }. o6 _+ s1 ^, [5 {% E
        for word in segment.words:
. H+ U' y/ F1 _6 _; R) A. p( ^               
----------------------------------------

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。
# Z2 ~8 }9 u9 K; E$ E0 z. \1 r. L4 T+ o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。
+ `, O# c  O0 S- B( ?# t. r- E3，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：
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,
, [6 z' R+ J- m) n保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
. I0 W  B" i1 p& d* Z3 N保证能尽可能准确的断句 punctuation，但是不是决定性的。
; S) O1 A& Q8 v) F其他参数可参考源文件：
. `8 f* Y7 I# {" ^& Ghttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
8 c6 a- g. u  a- l从源文件你可以看到是支持中文的句号断句的。

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。
5 l, n& q3 ^, @9 d" t- v. `+ ~, \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。
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。
3 u. g, k$ \" o& q0 D2 ~; G
- A" U( K; F( W! a3 {3 i% H! H. {6 h

( n1 q6 ~! |0 e" h

nanimarcus

多谢各位榜爷打赏。