faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 b5 d) a* ~) e+ o3 |3 b" W
4 P4 ?4 T& M5 e: M/ y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。
1 _# X' L* i& q5 w4 a----------------------------------------
: G$ @7 W5 y3 _+ i1 \; O. N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。
  c4 R0 e8 {$ |* U( ~% z5 ~* H! V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。
! [: r3 i4 b& w& I) p6 x, A$ U----------------------------------------
5 b4 n, t1 R/ {https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
* u" u* [1 w4 ~0 X0 }- s) q' o2, Python 3.10.11
. ?+ D, |2 M  {7 e) S$ t3, CUDA 12.1
% M( I7 @5 W2 W5 X* {4, 在python 3 中安装
/ B$ _" L4 s- R2 o0 L/ \- \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。
5，pip install -U openai-whisper
! U' x+ {9 |1 t! j3 g% F0 \' d这是向whisper 致敬，可以不装
6，pip install faster-whisper
5 h9 }- n7 B% b----------------------------------------
2 [% {: x0 V! A  B2 H9 [whisper 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：

----------------------------------------

from faster_whisper import WhisperModel
+ j; h9 K+ w$ t6 {0 V9 s- n
model_size = "small"

% _+ P: x9 r; s, I8 lmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
+ ^& y; T+ V' }7 c! Z    sourceFileName,
' X9 i8 H) M6 K# B    beam_size=5,
8 _3 e' Q" ^$ S- r. z6 ?    language="en",
    task="transcribe",
! Q" j# @1 ~0 U    word_timestamps=True,
0 Q. ^0 F! u" u6 R! p. A    initial_prompt = "Hello, welcome to my lecture.")

, V5 u& M" h) e  vfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
9 [% g- b& S; }
        for word in segment.words:
               
" _, G+ ?3 \, h----------------------------------------
1 Z. B2 Q* e) S( J
& ]9 T& |1 s8 w' a代码说明：
( v* ?0 j  o1 I1 h% P" l/ m1，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。
% E- v' ], E9 i3 e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 [" n- [1 \" O( N6 c# {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。
- w. e/ s- }5 [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
# A' \+ |, r( F/ A4 ~其中
/ U0 f4 I- {) C; c: k' c    word_timestamps=True,
  L; F5 C+ ~; ?' @+ z+ u* N* Z保证了你能拿到 word，否则是拿不到的
. s: F/ m5 n! Z9 _" H' f4 q/ o    initial_prompt = "Hello, welcome to my lecture.")
5 p3 y+ L3 x# K# G" y  E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：
) U8 j7 W; \4 I7 thttps://github.com/guillaumekln/ ... isper/transcribe.py
% y& _8 O# o) [9 p4 U1 e1 Q4 w; j  Y152 def transcribe(
; y! c& i  x' h+ K5 }, z; K6 T从源文件你可以看到是支持中文的句号断句的。
9 g" P6 r# t' t/ o) Y  v
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。
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。
4 \& b) ^( Z3 ?! h
* r" O2 I9 N7 q8 E  m7 X9 C. D
0 D! g1 u) \& Y! X6 y: c
9 |6 l! z' g7 I  u2 ?

nanimarcus

多谢各位榜爷打赏。