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。
----------------------------------------
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。
7 S: s+ z6 X; b1 G; I, M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。
: O) J+ i+ \% _; `. u* w1 t+ W8 ~* X----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
& ^( w: _# L  N$ ~, P/ G1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
+ Y8 [4 r4 W6 h9 j- J4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
, [( B* D5 N6 e6 y8 h6 K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。
# n8 z  [6 K6 d3 Y5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
* h" F' _* z: F+ t( l3 Z# m6，pip install faster-whisper
: ?% y) [: }0 I6 ]# S2 V1 G----------------------------------------
0 n9 e0 E5 M9 t8 c$ |whisper 我用的命令行，faster-whisper 我用的是python。
- V% b7 }9 z8 D7 Z8 y! [6 |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：

; u+ O, |& T$ ~1 G9 C0 \. q6 G# W----------------------------------------

. J, V. K* H2 B7 Q+ v/ Qfrom faster_whisper import WhisperModel

+ Z4 u4 r( [( Z% c3 V* l. Xmodel_size = "small"

6 V4 m# `. N0 u& E# q* umodel = WhisperModel(model_size, device="cuda", compute_type="int8")

! `( f+ t+ E+ [, w/ E* X- Osegments, info = model.transcribe(
    sourceFileName,
( X; }3 t2 O: n- _/ q    beam_size=5,
    language="en",
    task="transcribe",
. P; t, |$ i/ `* @' X) n    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
; ?3 c: {+ G+ i2 I2 X# f- B
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
7 F2 }4 k  d( i+ j/ u
        for word in segment.words:
               
----------------------------------------

代码说明：
' e' Y6 G6 W, E4 g( @) Y1，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。
- C7 y5 [' I2 m( d9 b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。
9 P6 [2 W# |& \5 M3，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。
' s5 x% g2 Q( k# W$ `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。
1 u5 |0 h3 W! I$ \5，model.transcribe 中参数说明：
$ ?; Q) c) n* H: C4 m" v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,
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：
% W! ^/ D; h- \7 thttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
" e; h* w) ?2 E+ }- X3 `从源文件你可以看到是支持中文的句号断句的。
- [3 R8 |0 o7 r2 W
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。
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。
7 \: Z! D( h1 T$ d+ O$ L1 F% E8，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。

$ G# z- v# J% P
' `, o* E0 ~# b. A
, T7 q7 A8 J6 Z

nanimarcus

多谢各位榜爷打赏。