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。
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 x( l1 n, P: t0 l5 X6 i' U----------------------------------------
8 a# j0 Q  J; K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。
9 [9 @- c" r6 p$ M+ X, w7 o9 J2 K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
( H" D) d2 O! ^/ H安装如下：
1, Windows 10
2, Python 3.10.11
, y9 J. s- N7 y4 N9 j0 J3, CUDA 12.1
4, 在python 3 中安装
0 a9 S$ n; G$ O7 ypip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
/ z8 r3 O" J7 m. M5 ~1 m2 O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
2 D9 E" r+ m" d: X/ m这是向whisper 致敬，可以不装
* {% s# D. x8 l( H1 f) Z  o) {6，pip install faster-whisper
: a0 z9 u  Y- J# \% ?+ G+ k----------------------------------------
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：

+ Z7 ?- e8 N  f; e/ Z6 q----------------------------------------

from faster_whisper import WhisperModel
1 U/ u6 H$ q% |% h; ]  e
model_size = "small"
* |' G- Q; @& o8 x; h, }; X
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
! K2 F! N' A* d    sourceFileName,
4 d2 `9 j  ]' z! P& c( g5 N3 l    beam_size=5,
    language="en",
& Y. m& e2 j; l8 F$ E4 P. t3 `5 s    task="transcribe",
    word_timestamps=True,
8 I7 c. A2 n/ l7 |% |    initial_prompt = "Hello, welcome to my lecture.")
  r+ w" e7 w( q$ [8 O
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
7 p. K. s' F8 l9 w
        for word in segment.words:
               
" Q( G0 b4 i" E1 N- ^----------------------------------------
% Q* q* q- h4 s: U; g
代码说明：
" B3 I( I3 M$ u) i1，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。
" u: I5 r7 |$ ?* l8 |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：
; ?5 z8 o7 T5 w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
* j9 w; \9 S- ~其中
3 O4 A9 }8 K. j- j6 D$ C    word_timestamps=True,
( ?# a" J) r+ d: k- m9 p6 ?/ O保证了你能拿到 word，否则是拿不到的
, @: L3 I8 e* R6 ?+ c% J$ l* u    initial_prompt = "Hello, welcome to my lecture.")
9 B3 T1 v" M: |: c$ y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：
4 N" ?3 W/ @: B8 Bhttps://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。
6 z6 b7 p+ b# I( P
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。
" s6 v0 J) O+ w

nanimarcus

多谢各位榜爷打赏。