faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

  g+ g0 c2 U/ e! k" ?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。
3 n6 N; C, R+ k+ ]$ N----------------------------------------
5 B6 ^1 F; L) P4 t6 W0 [3 a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
0 L+ _0 d* W9 E, C安装如下：
1, Windows 10
" }, A( W; @$ f  ?- g2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
1 d5 v9 i% q+ l5 t: m5 N' ?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。
' l! P( J* n( D0 }% L5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
5 }) k5 ^: x2 A# |  j7 G  x4 g6，pip install faster-whisper
2 V% z$ h. v$ O# E----------------------------------------
) ~* Q7 m8 D1 S8 Q( [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：
! `0 K4 @$ X1 i
+ a5 G6 q3 R& i" Z. F----------------------------------------
" s" Q8 A) P/ F6 a2 r$ L7 g- R/ _" Q. m
from faster_whisper import WhisperModel
8 a! i, w1 [7 j: o) \2 c! W
) o# \7 _" \4 o6 e7 v# {model_size = "small"

: T3 ~# C1 Q# A0 Hmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
& }) {: ^: j1 j" g! ~
. u8 _  Z0 P9 i- O; \2 hsegments, info = model.transcribe(
5 c4 q" @2 w5 ^* ^+ g; z8 ]. d    sourceFileName,
1 I2 C4 z: `, L6 `    beam_size=5,
1 Z, n, i9 o$ N" _0 |    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
) r( P1 L1 s1 m
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
' s3 P5 R- X3 X" p* b1 B7 J: p
# g1 \8 @5 b/ G% L, Z        for word in segment.words:
4 ?' M% M( E4 g+ o& I' c               
( W4 {5 u7 ^! Z) p9 {----------------------------------------

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。
- w: j7 K+ `+ Y2 Q* C" G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。
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
8 @- l: m; V4 G2 ]$ y3 j其中
' T' r8 p% r5 T2 z7 [; t    word_timestamps=True,
( R( {5 x9 \% L: Q保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
: }+ i8 |7 e8 ~* e* ~保证能尽可能准确的断句 punctuation，但是不是决定性的。
' M8 n. Y8 v3 G3 b6 A4 P+ e! s其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
7 ~# W  i6 C8 I7 |2 B! }152 def transcribe(
  m( k+ j7 V6 U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。
) k* U4 y! }+ B1 m: j& I2 m7，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。
/ P, v* H" T4 [: E* c8，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。
. o+ y0 l! s+ g; g
4 \8 u7 Q& q) U7 v: R* E3 h! x0 t
) g9 a5 Y5 f. y$ P
! n1 b& e; f* I  G# ~7 f# M( D* F

nanimarcus

多谢各位榜爷打赏。