faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 i; V4 n' d5 ^+ \
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。
+ x! c1 z, a- A, z+ ?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 p5 o8 F+ r; f----------------------------------------
* n6 W3 p6 s1 z) n/ _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。
----------------------------------------
; {! b7 {/ S1 P) @" N: Ihttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
, Y; B3 ^! s1 J2, Python 3.10.11
% }) t9 `# a$ E3, CUDA 12.1
4, 在python 3 中安装
! v' |, a+ o6 X; qpip 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
- ~5 m8 v6 v1 `这是向whisper 致敬，可以不装
6，pip install faster-whisper
- m/ N* J2 T4 [/ {----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
" ]9 C' g" v8 P3 ]0 X- h3 |8 g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：

& P9 i/ s1 l6 t* y----------------------------------------

from faster_whisper import WhisperModel
3 m4 Y  I* q- j2 T/ a6 ]5 s, [! \
8 ~$ y! S/ o! K( b8 j8 Jmodel_size = "small"
' c9 k/ g" a6 g
model = WhisperModel(model_size, device="cuda", compute_type="int8")

% W3 z8 Y$ F5 O: a. \5 A+ O* esegments, info = model.transcribe(
9 |% m) F! z$ E. i* @    sourceFileName,
$ F3 K% E. w! m/ t    beam_size=5,
    language="en",
    task="transcribe",
/ E9 k- D* C5 F6 I7 X: F& U    word_timestamps=True,
+ m7 f, |8 }  `2 w    initial_prompt = "Hello, welcome to my lecture.")

% B3 {! A& e& D( f1 b( [for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
2 J2 b# f, `$ ]0 b( s, P3 \
        for word in segment.words:
: @4 }( W& H/ l% I" a3 g               
----------------------------------------
( q1 P7 u3 W  ~" \6 U
7 ~7 H/ a- C2 @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。
: J: ^# a' k2 D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。
1 A2 O, K) N0 N$ }2，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。
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,
! i4 z2 j: \" J! Y. l: r+ L+ V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：
. o& B- r5 y5 v& T1 Q+ {1 K+ r# rhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
6 x. J' M8 U4 _  Q: j6 R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。
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。
" K2 U6 m& O$ x0 i1 K+ o1 X6 M8，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。

' v! }7 M0 L- f

. a7 k3 S7 F0 @6 r( d1 d

nanimarcus

多谢各位榜爷打赏。