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。
9 @5 W% s0 B" o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。
----------------------------------------
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。
* |6 q8 Z% L0 ^----------------------------------------
3 P! L% [! e! g; P4 ~https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
1 e( i. E8 }% U3 x2, Python 3.10.11
$ \) n5 V  |, \4 L8 [4 B8 }3, CUDA 12.1
4, 在python 3 中安装
9 g( j  {; x6 C) ?4 f1 Kpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
/ r+ d( @8 {* s: |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
- q2 h2 w5 ]+ a1 L* ^7 t, D" d; T这是向whisper 致敬，可以不装
) c* U) g" g# z" T; J6，pip install faster-whisper
. y% r( ]1 l# V$ L+ c; b----------------------------------------
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：
( v9 A3 |6 i0 b& y  u
----------------------------------------
/ n& J) e: X1 n; ?
from faster_whisper import WhisperModel

- o+ G$ l! B6 n( i* I/ {- k4 Zmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

8 q1 n, b. U8 s0 x' rsegments, info = model.transcribe(
; u/ F' @9 V. M* G; J    sourceFileName,
( ~* s" a8 `7 j0 X; i9 ^    beam_size=5,
    language="en",
    task="transcribe",
0 T6 }- R' p; {! [: V* E  A    word_timestamps=True,
6 V' n  {. P2 d# t" |% o    initial_prompt = "Hello, welcome to my lecture.")

4 p5 A% \; @: a& v% y: M0 ofor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

: }  O% }: U) T        for word in segment.words:
3 C! Q/ h+ ~% b+ S* O: v" M               
----------------------------------------
: q) @! K: q1 @: Z
% q: U5 k1 W" ~. R4 O+ W代码说明：
1，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。
0 c' j6 D, `; Q& o2 \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。
3 \# o9 R+ F0 J+ w4，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：
# Z# I! x3 p' N$ J. d$ c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
8 f( ?1 }1 B: x/ ^' B4 _6 b其中
/ E! v6 |" h7 H6 x4 C    word_timestamps=True,
8 |0 O5 c+ C: o, Q& O保证了你能拿到 word，否则是拿不到的
    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。
$ T7 D% w$ B% W2 u其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
1 Z- U. k/ t6 i  Q9 E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。
$ U  L' a9 ]* b& H9 }& n0 p8，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。
( S: {8 m5 r$ G9 Q: u" R& x7 ]
" E+ p8 V8 `' U% O1 n
  X. t3 N( c# S, _8 B# }0 k: j
5 o+ I8 `) ], O" ^/ p, V2 v6 `2 f

nanimarcus

多谢各位榜爷打赏。