faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 |6 r- c4 L# i0 c
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。
, d$ ~: S2 n' z: x0 g6 ?$ ^7 V: [----------------------------------------
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 H' r& c- _) o* H! `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: x2 _0 Q% l$ l) ~https://github.com/guillaumekln/faster-whisper
安装如下：
" R; [1 C. R, i8 f9 d1, Windows 10
6 O! R2 A0 _4 V0 j2, Python 3.10.11
' _" i' [/ f+ [% H/ ]0 e$ k9 R3, 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
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
# q5 I% N1 Q) _5 L9 C* n, U6，pip install faster-whisper
----------------------------------------
, S) t1 }5 O0 f- t, |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：
' f* J+ [2 h" D0 O* r6 D' l' i) W) S
----------------------------------------
( @3 N# w8 I- G
from faster_whisper import WhisperModel

0 Y1 {+ c% }: @5 X+ c* Dmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
! V  M1 e7 M( A# Y
+ ]& V  |$ P& d' G# a- a6 R: k* Fsegments, info = model.transcribe(
4 e/ }/ P3 G0 X5 R7 K3 p    sourceFileName,
    beam_size=5,
0 Z1 W9 d" W2 i# i& k    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
- W5 z' R: ]% O% v( t' ~0 {
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

0 H" Z2 i8 g9 x- a        for word in segment.words:
               
# T, A+ F! U1 O. P+ R----------------------------------------
  e. s3 D5 S3 ^! @
# }! b2 Z5 E2 \. ]2 C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。
; D  Z' L! S. d, C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。
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。
2 y6 n8 T, H+ G2 i: T% J; ~9 K5，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
    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.")
保证能尽可能准确的断句 punctuation，但是不是决定性的。
& S8 K* L& s/ d% z% K. U( G* I' K其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
; `- A) w1 }7 _- D152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

! K* k2 o$ |! u" [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。
  k" a! \" T' Q9 ^+ E0 \; L5 A7，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。
4 }. W9 o0 {, L; @$ {5 B" s% ?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。
" Y# |, B/ c1 Y/ H  z

nanimarcus

多谢各位榜爷打赏。