faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

) R" z; o# [. f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。
% c; \4 L* ^/ I& E; x4 q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 R# O" R' `0 m, D7 Q+ U----------------------------------------
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。
3 G4 u( {4 C& q( `1 A4 a----------------------------------------
) U% w: ^6 |; _# {* i7 H. R! Xhttps://github.com/guillaumekln/faster-whisper
) D0 l3 r/ l( E! r* `安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
+ x& A7 ~3 [& N0 i  W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
4 v+ J* T) Q+ N# a1 X2 j+ l7 L这是向whisper 致敬，可以不装
$ A( ?" Y( R: R; y" f* S& P7 g6，pip install faster-whisper
----------------------------------------
9 Q" f* f# H& E" q1 o; H) [0 lwhisper 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：
3 S7 \4 c( [( O5 s7 S" l6 S5 S
5 `( \9 Y) b: s----------------------------------------

& ?) L7 i4 D8 p' g3 Z) E& b3 N0 [from faster_whisper import WhisperModel

) h: s" G  ~+ u, T# R+ pmodel_size = "small"

/ E+ O5 P/ t5 [" W6 q# zmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
7 c9 Z# }* C5 }, k8 H# N# L4 Z    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
/ H$ C; x* u+ b+ E    initial_prompt = "Hello, welcome to my lecture.")

/ t& R9 t5 H! M5 A  @+ {% xfor segment in segments:
  ]  B& e7 F0 o6 Y2 d    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
# ~5 K7 C, k' v6 S3 O$ G
        for word in segment.words:
               
----------------------------------------
9 \& V1 m5 E' y$ v" c
; e& \) `3 ]( ?! Y/ i8 \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。
1 a+ d% e+ N  k! Y6 h) B3 E3，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。
( A; ~! d) b1 ~9 n, b8 Z+ [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
8 y) q! F0 Y# {" [  V比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
' r+ V; g+ G& r7 Z' g5，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
# a1 ^+ q/ u, I/ O! A) A其中
+ n; s& k  u: e7 ~. L% o    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
  ?( m7 ?+ m: i* E$ W9 o    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：
! ~' K9 g; q6 \+ s$ [4 @https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
$ B. q! V; `7 M  v9 F从源文件你可以看到是支持中文的句号断句的。
( |' ]3 l. ~' l7 B6 ?
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。
* N! b4 D( v' g0 q  i7，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。
' F* A- [, [/ i. O9 c
* w& ]2 f$ G/ R; i8 m/ h- {8 ]
. O6 x1 [4 t& n
' m1 o7 F7 _. c

nanimarcus

多谢各位榜爷打赏。