faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 z) K  v9 f4 m. ^6 s. e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。
; b5 W3 l) l; i, q& z7 d4 v. L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。
" I, A' D9 i( h2 G9 k, G0 R. m----------------------------------------
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。
$ j# B) ?7 j. ]3 `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。
( T+ f" H' J# K- f3 R7 @  Y----------------------------------------
https://github.com/guillaumekln/faster-whisper
, W. {4 Z) C1 n5 P安装如下：
% g& U& W4 P% U5 S1, Windows 10
! I' l0 D5 P! g* V) e. E' p2, Python 3.10.11
7 v# O' r' S/ V7 l9 t3, CUDA 12.1
4, 在python 3 中安装
1 r( k8 a' N2 v. h! t/ }* }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。
2 e: i5 c! [3 W5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
& Z# {, E9 r- Z# `* c----------------------------------------
6 Y9 b  o1 m# _; q# \: Kwhisper 我用的命令行，faster-whisper 我用的是python。
, E( P! B; q( T( y" x5 |% a% S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：
/ r0 w/ o8 {" r5 u: l; j. e5 `
9 N0 _/ i( T7 b  v1 X5 [# n6 X  e% T----------------------------------------
1 g+ r1 ~- r2 x- @7 t
  m9 X0 ^7 _" X* I: M. s+ u( _0 Wfrom faster_whisper import WhisperModel
- t5 T3 @6 u* a4 G' b  \: c7 Q
6 v! B5 w$ o5 Z: k6 [1 Dmodel_size = "small"

+ H, I# f; T. ?2 B$ Imodel = WhisperModel(model_size, device="cuda", compute_type="int8")

; m1 o6 b4 A! c, b& Y2 l2 isegments, info = model.transcribe(
# R  n& E8 i2 ~% M7 U; t    sourceFileName,
    beam_size=5,
  m. w% P/ v, ?7 }+ X- S5 l0 p+ n    language="en",
    task="transcribe",
    word_timestamps=True,
, ^: M1 w6 N! K, f/ [    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
, _/ W9 l, M- ]! j% q
代码说明：
% o8 Q; p: r% w7 z1，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。
3 Z3 C( L) t4 X" ?: Z2，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。
( r' z4 P! ]( S# G* v! f+ q4，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,
保证了你能拿到 word，否则是拿不到的
" w* L# {* S2 P- c# W' S8 Y2 U    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。
: x& p5 z8 X7 x) L: w其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
8 z; a; ^/ h" h& H" \( ]# ^0 D从源文件你可以看到是支持中文的句号断句的。
  v9 G9 E; P' S- C" z% @% O7 g& m8 }
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。
% {( n0 K. e3 V  x# t7，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。
# [; G! [" `; _4 D+ m
" M3 b' Q8 T# |/ g  f2 @% M
& Y* r, z3 W' y6 h% @& v
) w* X. p8 a2 a/ m

nanimarcus

多谢各位榜爷打赏。