faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 Z$ w/ }/ ^* D+ `
4 l# J/ d5 r5 R8 Q9 q% m1 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。
6 f. K- L! T% Z0 r2 L, j----------------------------------------
' h' {7 s) W- ]9 o5 n6 W# g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。
1 V+ Z3 B, x, ?----------------------------------------
" C- r% l. P6 w# e# whttps://github.com/guillaumekln/faster-whisper
安装如下：
  E! _8 X6 Q( V6 x) e1 E$ v3 ?  v1, 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
# h; e9 Q4 O& \' n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 K- a% k5 O6 y7 S: ?" p  J5，pip install -U openai-whisper
- n% Q6 l" Y7 J; a7 X这是向whisper 致敬，可以不装
! H2 M4 {- d% Y4 ^! U3 y6，pip install faster-whisper
; ^) U9 Y' E; y) T% _+ b----------------------------------------
; i4 u# l7 b/ W2 vwhisper 我用的命令行，faster-whisper 我用的是python。
1 U5 }0 g% U$ 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：

# s$ q( h( m1 i----------------------------------------

from faster_whisper import WhisperModel
/ [; R/ |$ ^. [/ n
$ z3 d# u2 [3 W5 W) f2 Mmodel_size = "small"
9 |! F- |1 w' k: M/ f
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
2 ]7 b; S$ t7 @3 l  B8 \    sourceFileName,
    beam_size=5,
' L, W( s7 |* R! n5 d5 U    language="en",
1 V% O3 A9 I5 D    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
2 L, F( p. m% D! |9 n* X+ Q' n
for segment in segments:
3 A/ ?$ R( [. B. A6 `: ]1 v    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
& Z% O1 y, {3 z, a2 A; v$ ?
        for word in segment.words:
1 ^" u2 N1 ~  ~               
& G1 L+ ^! V1 p' l. ]----------------------------------------

' ^0 G5 T& j/ }% x& R" I: K代码说明：
* l2 \# P+ }0 e& v/ Q8 n1，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。
: o( [/ L  i5 R8 E0 A0 W8 M2，segment 本身是很粗糙的，做字幕勉强能用。
& H# x$ d- V. L2 p. B/ 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。
; P) P( o% O5 a& w4，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
  n: {/ a/ M6 B3 ~% J0 m2 I5 R$ J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
: k) u* V8 k* X: X    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
- \2 q  h0 z' n% h, ?. \    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
% g: B+ D9 w0 d2 y0 {152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
8 V8 X* t: J. e
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。
7，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。
/ c4 j' u. l1 L8，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。
) W/ e% Z/ k' o- Y

nanimarcus

多谢各位榜爷打赏。