faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

& g" n7 V0 N/ d9 A
, L, f$ q+ x* j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 M3 N. w+ f% m- `9 L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。
8 s* I: a% ~" m# ]& k----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
/ |/ {2 q! h& S% y' o1, Windows 10
5 C. M, J+ Q6 B$ b* X9 `6 b% t% t. Q( W2, 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
) J0 i" Z4 L; U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
4 E8 [$ T- F. b* d: x8 N5 \6，pip install faster-whisper
----------------------------------------
0 {9 e# ]6 P  W' z+ }9 ?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：
7 z  M1 L* j3 T0 W+ V$ `
2 i, U; a! d$ ~. h; K9 f. a4 h----------------------------------------
0 r5 F. t( L/ D6 N* N1 F+ Y2 R
) c+ ^" U0 u3 sfrom faster_whisper import WhisperModel
. m9 U( u7 [6 k5 ]7 e, E  \8 h. I
* N; P5 k- s* B( U2 X  pmodel_size = "small"

. C+ n3 F) N/ }model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
( Q! C4 o& _. p0 y    language="en",
    task="transcribe",
    word_timestamps=True,
2 r8 }* @, g% n( ^    initial_prompt = "Hello, welcome to my lecture.")

' n# ]/ k0 S2 m* _. V- s7 }! s7 [. D$ \for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
% F8 ^: X& {! v8 {, A! F
: r, I& o$ d( ]9 f1 N' N- ~, C4 I        for word in segment.words:
               
; |% n4 U3 ~, p' g----------------------------------------

代码说明：
0 t, u+ l% ~+ V0 K- ~% B7 ^. _. F1，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。
3 [7 ^8 K0 ^0 y# n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。
8 {' D4 u. C0 x! u+ g5 F3，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。
" T# T. Y. [2 I) c% ~3 G5，model.transcribe 中参数说明：
& X% v" _/ f( W6 z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
" X$ _% c1 j  ]2 |" }3 @0 F6 ~其中
  Z7 U3 j  V4 i9 `2 ]    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
0 A6 I9 s) j+ ]1 i7 M2 K    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。
+ I" z) O/ ]) n4 Z; n其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
1 O! F- u: K( ^2 s. f& m$ ?152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

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。



* x1 u* _, f+ D4 p

nanimarcus

多谢各位榜爷打赏。