faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

# D3 K1 w& o9 @4 h9 d5 [$ u6 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。
- _, P* |  Z# Q5 K. q$ p" r/ b% C----------------------------------------
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。
6 d" ]1 R& S6 z5 T% z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。
, E/ M6 {* F7 @3 R5 `0 _----------------------------------------
https://github.com/guillaumekln/faster-whisper
: d) d2 V" T8 T( K  o' k* @安装如下：
1, Windows 10
2, Python 3.10.11
9 y$ d4 q+ ]; K; {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
' f( H& Q6 K$ w0 {1 ]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
6，pip install faster-whisper
----------------------------------------
7 v7 L* V1 W, c/ d5 Q2 V" Fwhisper 我用的命令行，faster-whisper 我用的是python。
8 L7 }# o! E8 o0 z! D9 a6 d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：
: Y+ D7 W+ C4 ^9 W$ _% B
----------------------------------------

from faster_whisper import WhisperModel
9 ^, @* [$ q" V  u
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
- F$ U1 }7 j( @9 y) I( `7 M
segments, info = model.transcribe(
9 U4 p6 J3 g% v8 d% a$ i    sourceFileName,
$ x3 T' T+ {/ t6 i- r    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
: N! S& g, u) v* t6 p- _7 g) _+ k
. B2 Z4 g. ?' _4 d2 O  L' S5 M, qfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
( X$ N7 c4 r& z, K% j* U) J----------------------------------------
2 N+ S4 T" s7 X& T5 b
$ N" M* ~* P0 J" ~代码说明：
# P, M$ G1 P0 j2 T" E1，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。
8 p) X. J( d* A9 r; `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。
7 e- K* A& E& Z4 R  n5，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
# O( D2 M$ |/ q$ v- z    word_timestamps=True,
4 @1 L& k( d3 H* O* C保证了你能拿到 word，否则是拿不到的
# a2 c$ Q) _- l# L    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：
6 z4 D  o" |- I* ]( i9 |8 D$ k6 Whttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
) g9 d2 a- D* m0 `0 N. Y从源文件你可以看到是支持中文的句号断句的。
: I7 K# c. z+ A9 N. W
$ q. {( |* h8 ~7 ]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。
0 ^: i% K' v3 Y6 C4 {- r0 _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。
- z6 k# {, j' i" e5 e1 I/ E2 |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。
. @/ n0 ?$ N- f3 i1 D1 Z

nanimarcus

多谢各位榜爷打赏。