faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 i0 H9 k& X4 M( {; `" u3 t) a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。
2 ?+ k7 N7 |  |. `0 W2 L# v----------------------------------------
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。
% ^! G+ G# @, `0 n) b% A" D----------------------------------------
4 b2 x: M5 o& D3 @& k9 bhttps://github.com/guillaumekln/faster-whisper
安装如下：
- M7 [3 N! _0 H( t! u4 ]1, Windows 10
; P. L* A; t1 n) M3 q- v. H6 s2, 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
" ~7 |$ S  n9 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。
5，pip install -U openai-whisper
$ `' @% H6 x" a这是向whisper 致敬，可以不装
; ]! `# Y8 ]! k: F$ M6，pip install faster-whisper
( V9 u0 Y3 i) o----------------------------------------
6 L9 ~- J/ y7 |! \( P2 \- A7 \+ Awhisper 我用的命令行，faster-whisper 我用的是python。
: K$ ]5 |( ?1 Y+ C  Y2 K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 c7 f0 M: t- L" S
, m1 z& D, H% v( u----------------------------------------

from faster_whisper import WhisperModel

4 U1 p2 [* F  I/ k( C8 \model_size = "small"
: ?% M+ D+ N" t! ]
" h' T' X8 a- K: L* ^  l' emodel = WhisperModel(model_size, device="cuda", compute_type="int8")

0 R5 q! Y6 \9 ]) P. @/ w% j5 tsegments, info = model.transcribe(
    sourceFileName,
8 |1 D3 {5 v- S) }  [    beam_size=5,
: V9 ]( N& _- D6 g( {5 A9 U# y5 D    language="en",
) I% `. }9 x$ D# @    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
7 g" }. C# A! t4 g
1 A: a9 U: s+ b+ ]for segment in segments:
2 Z5 F* B9 G/ W; u  F# F    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
) Z$ k# O' v+ b2 K
6 V2 C+ @( g1 Y4 V. `        for word in segment.words:
               
( Y: @3 P& M4 M: s----------------------------------------

) a6 j( Q: f4 ^( {6 E) K% U3 m代码说明：
' T- L  S1 i! V: j/ z9 ^3 l3 q3 c1，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。
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
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
& h4 w1 H; J; P4 e1 _/ f其中
    word_timestamps=True,
( o* H  i; z8 r2 w, Q5 ^1 A* W保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
/ f7 Z5 ]" C" L: a- 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：
+ X) ?0 B+ E9 B7 T" i& uhttps://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。

: O$ I* ^' w/ K: y% m" s) b: q6，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。
# f9 F+ Q# u/ {6 J, u8，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。
* j/ f9 {0 s# i3 ~% n  ?2 Q( y

nanimarcus

多谢各位榜爷打赏。