faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

) U, J( U* a& p: c' V
8 s8 ]$ x. G' ~# o4 `/ v# w: A5 i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。
----------------------------------------
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
安装如下：
1, Windows 10
5 m) m: F  R! a- d. U, v2, Python 3.10.11
3, CUDA 12.1
4 Y2 n1 r, N! z( a+ B4, 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。
7 c2 c& Y: u7 f3 }1 [8 q5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
, J0 @& i0 U% y2 Z  I+ p6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
1 a* {8 w; _+ [' r, y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：
4 r7 o' S1 B1 c" m6 K! {# N+ z
6 d# Y, m& G( x3 }4 R) v) z( o' c4 P----------------------------------------
: J! b9 v( U3 ?# g8 j2 ~* x8 a
from faster_whisper import WhisperModel

% f5 c% ~9 r. r4 z3 z4 dmodel_size = "small"
( }1 Y# T, `) a
model = WhisperModel(model_size, device="cuda", compute_type="int8")
+ o, ]) F9 X% i; ?# Q" k
segments, info = model.transcribe(
    sourceFileName,
6 Z0 W! I: H0 ^5 {" a* _    beam_size=5,
    language="en",
; ^/ o+ P8 y  A+ h    task="transcribe",
    word_timestamps=True,
. h8 F5 L. D( H3 p  `    initial_prompt = "Hello, welcome to my lecture.")

* R0 Q! [5 d0 o/ T8 M  Afor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

$ h0 V: \7 n3 s6 O% Z) t" s& Q" A4 k7 W        for word in segment.words:
               
/ Y! E/ F% H. t% G6 Z2 s----------------------------------------
2 c, i5 ^$ f+ d0 T; \5 Y4 [# H
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。
  b# Q/ s( E) _, `" `& X) u( K8 p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。
4 H) i9 l: B/ z- W  n1 H8 z- u3，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。
8 l1 }7 Q- H7 R4，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
1 o4 G& V1 N$ e9 u- R1 ?7 S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
0 {2 I0 m  U; }5 o% U" Q其中
    word_timestamps=True,
, G7 N, Q) q/ q& o7 M* P) d' c2 L保证了你能拿到 word，否则是拿不到的
. H: m* ~" k6 r! x- Y    initial_prompt = "Hello, welcome to my lecture.")
+ O, Z2 S$ E+ U: n" Y6 q! P  B保证能尽可能准确的断句 punctuation，但是不是决定性的。
. W, w5 l# n$ G5 f+ F8 {: s其他参数可参考源文件：
' V# ~9 A0 c# l; E9 ?" n& \5 Y/ Whttps://github.com/guillaumekln/ ... isper/transcribe.py
3 ^4 y3 K& O: g, j9 b/ a# y152 def transcribe(
' M. f4 e3 F9 L4 i. {/ v7 H从源文件你可以看到是支持中文的句号断句的。
& N) s( K/ [# V! K- {3 o0 f4 [
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。
5 ~" V2 A* j, Y3 C" P0 v7，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。


3 j; l5 W/ q3 B
5 u9 j4 j+ t5 o  z

nanimarcus

多谢各位榜爷打赏。