faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

  w% C  v6 ]( m1 s5 g! @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。
# D2 M* U7 b) Z1 S, w' Q' 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。
----------------------------------------
% D5 P, S$ V5 f# ~7 q' Y3 j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。
  T2 A3 r  Z1 c- w  x% r) T( a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。
7 w0 A) Y( M1 X- A" c: m----------------------------------------
5 t1 d. j3 @* z9 \4 Shttps://github.com/guillaumekln/faster-whisper
0 h4 T( z3 ^, s8 Q/ V" h安装如下：
; M2 Q: |" o) q5 }9 a7 X1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
  N1 g+ z- D" e4, 在python 3 中安装
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。
5，pip install -U openai-whisper
3 V- L0 T$ K1 U: t! r  M这是向whisper 致敬，可以不装
6，pip install faster-whisper
. R8 v' D& M7 x+ o' J& V6 K----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
& @9 m1 \( m0 F; `8 @6 |4 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：
8 {9 p* L8 n4 E
$ ]3 j5 {$ n6 T) j----------------------------------------
4 s4 F  o" Y0 o3 i2 @
3 x% |. |( |5 }4 V. M: c. Y! kfrom faster_whisper import WhisperModel

7 d, D. S# I: }. \. Qmodel_size = "small"
! U1 t: ~" |& s' R# w. N
# Y. j3 \; m( q! _; u) E7 p1 Kmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
4 _. G4 S& ?5 V9 s
) ]4 Y1 t0 \4 O1 Vsegments, info = model.transcribe(
    sourceFileName,
6 x' @: h( r) x/ b" }" p    beam_size=5,
, j. W( y6 W8 a: W    language="en",
* L7 O% u4 e7 G% N    task="transcribe",
6 [/ h3 P3 V! }( I5 N    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
( j' u1 b7 g# |& q' F# K+ c
5 ^8 y% C/ f/ D; Rfor segment in segments:
' h2 Z. s2 w2 C( B    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
5 G! Q7 u$ I6 X5 a" {8 m- C' S
, c$ o2 I+ Q) @/ z0 D        for word in segment.words:
               
----------------------------------------

" b4 f. k0 K% b- N0 x  N6 Z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。
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。
2 d9 P. R8 M  f8 n& A, `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
+ l) `7 `* g) I! |7 n2 q( R9 Y% i3 T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
9 ]" [6 J3 b2 S6 w. ]6 E1 }其中
    word_timestamps=True,
6 `$ S% R: G% L* ^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
6 ]% o3 S7 ]- H. o# @& Z  Q- y152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

0 i3 x1 j; j% r: v7 r6，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。
$ j8 z  I* V+ t6 D2 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。
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。
+ j1 H; \, n" s/ A8 `+ E
: B7 g  x. C! W1 w$ i3 H

4 J0 H2 Z: |0 {# D9 N; g8 a

nanimarcus

多谢各位榜爷打赏。