faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

$ S) L+ V+ [& m2 B
/ K8 C* A! \/ p9 O7 Y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。
) \9 r/ N" B; u9 R" z6 e----------------------------------------
5 |- z# Z8 i, e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。
  r( G0 F1 Z4 Z----------------------------------------
https://github.com/guillaumekln/faster-whisper
; ]* i! x; I9 S& j8 c/ y' Y. J: T安装如下：
1, Windows 10
, ]+ g0 Q$ a0 C9 Z- _9 K2, 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。
5，pip install -U openai-whisper
0 K& T# D' c9 ~% J/ V+ i这是向whisper 致敬，可以不装
6，pip install faster-whisper
1 {+ n1 L# R% q+ U, ]----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
% i$ B+ d, Y, Q1 r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：

3 n6 A+ f& D3 {: l( V----------------------------------------

from faster_whisper import WhisperModel
8 @3 h5 a; r; k- M0 k- M
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
: X- V7 B* w9 S. Q# w0 I; c) a
segments, info = model.transcribe(
* Q9 @( b+ c3 _% ^+ K    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
/ m# j& Y; H  m# d: v# a7 v. k3 y    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
) \3 f' i. X& ?, `    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
- y+ U& ]0 ?* q* P+ i7 ^
/ Q9 T6 F* Z5 Y$ R        for word in segment.words:
               
----------------------------------------

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。
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。
% G$ b  m+ s8 X5 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。
3 W+ C* u  v0 Q1 ~# h. F7 L4，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。
4 q- ^2 n  F. S4 T" v7 N# k5，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
2 m. Z" X1 i# ~7 R6 @7 R7 b' v其中
  @0 E4 t5 ^# q7 I- f# k( A, _/ o    word_timestamps=True,
- l% g! a. W* W) _7 Y保证了你能拿到 word，否则是拿不到的
! ]' g6 b* l* V" [  a5 e    initial_prompt = "Hello, welcome to my lecture.")
" _/ A4 n& Q1 k0 s" B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：
1 s/ r: ~$ h( z$ q6 M: T  Mhttps://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。
1 Z( I: @* f/ y4 l* }5 n
! w. S' L3 Z9 U+ d! K6，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。
( c+ L% U& O: z1 c7，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。
: ]4 S+ d  a) j8 H  T7 e8 ]6 }6 x8，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。
& n0 B* b" A& S5 t
% E- ~$ g1 L% c1 O- q/ b: m
' F0 O1 g& ^0 J1 M- L

nanimarcus

多谢各位榜爷打赏。