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。
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。
----------------------------------------
6 V/ N4 J! w* K( @- U' Q4 |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：
1, Windows 10
4 d0 v  M) C0 _7 ^' o8 h2, Python 3.10.11
1 Z" C3 I) o- {0 J9 O- n, v3, CUDA 12.1
0 x/ b  F9 H# N% x6 B. ]4, 在python 3 中安装
% r5 Q7 ?- R0 S, V) j' dpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
6 k  y0 S) f1 q9 b! B! i* U8 ]$ A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。
+ b1 L2 t$ F, C3 }, O! n5，pip install -U openai-whisper
- \( a! E: o) Z* w1 \这是向whisper 致敬，可以不装
6，pip install faster-whisper
5 t% C( \5 V/ y5 N4 a5 y----------------------------------------
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：
7 H5 ~3 E. R, S. H
& T' n  L1 E6 u& J8 v----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
; [9 \4 Z$ _# \) X' L% _/ r/ R
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
! p7 T& C! c5 [    language="en",
4 I4 R9 w7 o: C    task="transcribe",
    word_timestamps=True,
- _9 L9 r2 R" C7 ~    initial_prompt = "Hello, welcome to my lecture.")
9 q( k  u  r3 r1 R2 Y9 t2 \; x
for segment in segments:
- a7 V) h0 K' h$ T2 J  U7 O    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
# i4 O; b, y0 M! J; a/ j               
----------------------------------------

7 e& c0 h# }3 z4 w代码说明：
  F; U# i; b% Z& z0 O. b) w1，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。
# E: Z! K2 m! E2，segment 本身是很粗糙的，做字幕勉强能用。
* q8 g, Z( A  K) T3，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。
" i$ p" S* [) P: P4，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
  v) k* y* Y' K- C* B/ \" Z! b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：
; X3 U: ^2 n* Q5 N( g1 W% B6 N, t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
! w- A/ s& X% }) e' b) v  a! M: j其中
    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.")
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：
https://github.com/guillaumekln/ ... isper/transcribe.py
* o& y" p- L7 [* O: K0 V6 V152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
& L$ n0 A5 p# V* z' }" f! L
  c8 Z# ^0 Z8 B8 n5 v+ H4 U6，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。
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。
$ h( J9 j! q; s

nanimarcus

多谢各位榜爷打赏。