faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

! r+ X. q9 j) E# P
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。
----------------------------------------
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。
----------------------------------------
& f! v# ~+ c+ h2 ?https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
7 S" a) p9 O0 N7 ]2, Python 3.10.11
3 p  Q) c7 g) i- t' |+ F+ z3, CUDA 12.1
) _6 D. C0 m5 v6 ~* G! X5 \4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
% z% o  ]# g/ q5 V6 a# d& g1 V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。
- B5 ~# y( L- Q' W# k5，pip install -U openai-whisper
/ g) Y9 m+ }  a. W  |0 y1 o- ?这是向whisper 致敬，可以不装
, d/ o1 w$ a. m6，pip install faster-whisper
# k5 k5 H9 X9 i  W/ Q----------------------------------------
5 k1 W% k4 ^; |, n. Q$ M3 \: zwhisper 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：
/ {% d$ j) j. b: y! X% }3 ~
----------------------------------------
. ]9 L) L! \2 `9 d( A' \0 Y- y
from faster_whisper import WhisperModel
' H$ K# N2 \$ y
3 Z4 B9 k& l7 _4 p, v2 g& Fmodel_size = "small"

3 X; ~4 o8 n, ~2 x# nmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
( X& A% G8 [+ K5 e  f, g
+ U2 l- N. Q/ D$ xsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
* O) C' y7 T. T$ A, d& m    language="en",
    task="transcribe",
6 R+ T' D5 g! Y; ?    word_timestamps=True,
6 j' o/ l5 l( l; Y: w* z0 k    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
9 H  O+ w8 w! w( i    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
. j0 W! `4 y# p$ P3 \4 m
1 ^: D+ l+ C$ [$ F        for word in segment.words:
               
' n" b3 |, O5 r6 E) o----------------------------------------
2 k; y7 B2 D8 P; W
5 E. U4 ~) o1 |2 c, U7 W4 K, ?代码说明：
5 ]! j! ]$ t' q1，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。
+ m! u$ P7 A/ R5 C" I. z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。
( L/ G) Z, P" @6 r4 q3，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。
# d, `3 H) R- b3 c. s4，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
; ~$ H. M* P( Z* G比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
( \& `' P0 _9 t) T+ {. D9 m/ S7 m/ [5，model.transcribe 中参数说明：
9 e5 i0 x- Q' C5 E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
, z9 W6 T/ D2 i0 h7 K4 a" D( b其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
2 j$ s; h3 @3 Q' E4 L1 j; c保证能尽可能准确的断句 punctuation，但是不是决定性的。
3 @: ?4 Z; n. K8 @$ P5 H) T; K其他参数可参考源文件：
0 i7 c8 j# G  \/ Whttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
  S, W- \% d( A& A2 V0 b/ Z) h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。
, {1 I2 e. n% Y' V, A. h7 \! g7，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。
' U: n/ E0 q0 _: J2 A( |6 m$ [

nanimarcus

多谢各位榜爷打赏。