faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; c; L1 A3 d, `! X9 E- 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。
  F9 k( c1 P9 P! 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。
: k& O) L0 Q! a( X, a----------------------------------------
4 N" z6 ~2 i" r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。
, G2 \$ K7 z* e+ f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. V, c8 \5 `- C" mhttps://github.com/guillaumekln/faster-whisper
! n  `2 A# l/ A8 B! t3 |: i- D安装如下：
1, Windows 10
- p4 {! l6 p) L+ t5 W! J2, Python 3.10.11
8 }' y8 B$ q% U- ]1 g3, CUDA 12.1
& A7 m0 J2 k0 }# {4, 在python 3 中安装
6 l2 C+ W, i; p! ypip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
  D1 P/ D! p7 U, J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
: o( z! R, c3 X7 R这是向whisper 致敬，可以不装
: z, r! q; M; ~& V/ `6，pip install faster-whisper
----------------------------------------
' k! r6 L6 O/ {6 Pwhisper 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：

5 G1 @+ h" M0 p, i. q6 \: x----------------------------------------

1 O" A; g8 S, N4 kfrom faster_whisper import WhisperModel
) F6 F6 I* g& S, X6 D2 O
' P7 |, p+ s! L7 O; {% l. Fmodel_size = "small"

& M- ]) d* Q+ M0 Jmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
1 b, N% P( m% [+ l, D) k4 Z
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
8 H4 n* M$ @9 G: v) I    language="en",
    task="transcribe",
0 e* O6 Z( \2 i/ H+ t    word_timestamps=True,
! G; V+ b0 [: y8 w    initial_prompt = "Hello, welcome to my lecture.")
: P, j+ j$ q7 Y! @
for segment in segments:
3 Y9 D# c; J( r9 E$ q- R, S    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

+ Q1 l, N  i8 H        for word in segment.words:
( `3 _% C8 f6 c1 w  _/ O8 q0 L7 y9 U               
* p% T" c4 C+ h7 b; |7 Q----------------------------------------

* N+ ?: f7 S; M/ `/ L3 @9 U' P: f代码说明：
/ H3 g0 O. n! `2 X" P1，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。
  m/ U7 e1 Z# ?" f9 m& `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。
  e: ~3 O9 ]( K% R3 B: P$ D2，segment 本身是很粗糙的，做字幕勉强能用。
9 }+ y* E3 a# V" e, ~; A3，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
( u$ o* N# l' |( y比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
% t$ f* [. d2 P5，model.transcribe 中参数说明：
, u9 O# L1 r$ u) ~9 c$ g* B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,
" y1 i/ Y+ P' d5 x8 f$ Q/ 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：
https://github.com/guillaumekln/ ... isper/transcribe.py
: O. W) v+ J" v7 \" U! Q9 r152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
! L7 g* T4 C  R- W' w. Y% ~/ _$ t+ {
" n5 E- s" t5 A2 D) E2 l4 E0 B6，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。
2 c& F& k: w+ D0 |* m: L) m" G7，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。


) t) o: q2 N8 t  m$ u

nanimarcus

多谢各位榜爷打赏。