faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

, z. o$ F5 o7 _# \# }5 O8 |( X* \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。
% N' Y; D7 b5 M7 {0 R----------------------------------------
" p2 \6 u% J" k; C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。
+ d, J8 j% j. L0 W6 I( |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。
* g) l: @$ O. Y/ }2 o----------------------------------------
6 R( m8 Y) ^& B& d1 }https://github.com/guillaumekln/faster-whisper
. n+ Y6 i* B, |' z0 O# B, c/ x安装如下：
( y1 ~& c& j' `5 M7 y; d/ y/ v1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
0 a; l+ `+ ]1 ?# o& V7 }- s4, 在python 3 中安装
) j+ R+ x. H: W  I/ Upip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
, q8 E) y: r5 f' ^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。
& y9 A9 D. r) C. `" v1 e4 ^  |5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
+ `7 \, u' e/ Z- ]9 z* o----------------------------------------
0 @3 Q# K. z. @6 q: I- h9 N( Gwhisper 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：
2 y8 B6 E: v3 l& ^/ W' F+ y& j
& e. j0 H# j; Q----------------------------------------

from faster_whisper import WhisperModel

" P) @9 \3 C3 u) [( W  j+ jmodel_size = "small"

$ z6 ]- S" Q# I4 t1 w2 Amodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
) d. C) j) n# I8 I% V, Z: H    sourceFileName,
    beam_size=5,
    language="en",
8 a2 ?6 [- v. U! @4 ?    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

8 R* @. `/ N& @$ H4 Mfor segment in segments:
  p4 q+ z; z  T) f8 [( A    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
5 g* @6 N9 }5 i4 T. s3 n1 e- O
. {0 A0 q2 o  ]: g# q4 X        for word in segment.words:
               
----------------------------------------
* \/ S0 d: g0 C2 W9 q3 b
6 ^0 g1 \; W6 k# L; O+ W$ o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。
. T5 m! ?$ f) Z  v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。
6 u" ?; _* P' ^1 e; s/ |( B2，segment 本身是很粗糙的，做字幕勉强能用。
3，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。
+ `7 _4 N( B) p3 F" r, L$ l! G4，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
+ Z4 u1 d/ s# p( V/ A. O* f% ~8 s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
4 j* y% c2 W! R2 b# C6 c* W+ [    word_timestamps=True,
& o8 V' D) D+ M7 A2 f& s7 I& G6 H保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
- u) P0 a- c2 w9 ^% a保证能尽可能准确的断句 punctuation，但是不是决定性的。
, H& N9 e3 @# i6 Q  X其他参数可参考源文件：
https://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。

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。
- I2 r) @# v5 I5 h0 {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。

nanimarcus

多谢各位榜爷打赏。