faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
# W# m" H4 V$ z& v7 u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。
----------------------------------------
/ e9 v: N' @6 r" y( S7 ~  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。
' i/ r6 v6 ]4 N) E* y! Y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。
4 w7 U. e/ L+ h" `----------------------------------------
2 s/ {3 {8 E7 g! e# k0 Khttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
4 D4 [  e9 Q3 s+ W+ J2, Python 3.10.11
, z8 x1 _* w5 ?0 H' J. F0 ?4 a3, CUDA 12.1
4, 在python 3 中安装
# J3 v3 G3 M: epip 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
这是向whisper 致敬，可以不装
/ }  n% v2 V. \1 \4 v% \! q. t6，pip install faster-whisper
----------------------------------------
1 r+ k6 g2 A2 S% n! D4 swhisper 我用的命令行，faster-whisper 我用的是python。
# s+ v9 K. Z) b. ~) H3 f$ b- O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：

' U* o( s& K  n& _, u----------------------------------------

7 ]1 T. w" J. c5 t' Y$ M3 ofrom faster_whisper import WhisperModel
% a, I4 K$ m% _( i
) E. ~3 l: Q2 n" @. Y7 l$ kmodel_size = "small"
! A. k. L: }2 {" o' _  X1 m( k
) g5 p8 U, t- O) c( ~model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
% A2 E, S( \1 h$ G/ b5 _    sourceFileName,
5 {; f) I" H( g; x- a5 a    beam_size=5,
+ e/ Z# @# [! F, l. [: E. a5 l    language="en",
    task="transcribe",
, C2 ^. W, H, K& ^5 }    word_timestamps=True,
3 T. ^# ^9 v* ~$ `  z3 m: g    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
5 x" V$ x6 Q0 K3 v    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
2 E! I7 i2 E9 |3 V
代码说明：
8 E, x& }" }3 ^3 g2 Q- _+ F# q1，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。
' @: A$ E9 {$ U) @- o5 B% L3，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
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,
: L4 @% C9 E# }5 Q/ y, \) |, S保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
' S9 J7 v; s. u  m' U' K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
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
: u3 _, V' @  Q
% ~4 c- M) l' V; @2 i% h6，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。
& M$ t$ i( P1 X! P& r+ R3 A7，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。


( l5 j& Z& y; [3 d" t

nanimarcus

多谢各位榜爷打赏。