faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

# ~0 R& u& }8 T, }  w& `; x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。
$ k% x1 [$ _$ I+ \1 |3 y) z4 m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。
( s& C! b( V# j0 s# Z----------------------------------------
1 [7 N# c; n" `  ^# g/ dhttps://github.com/guillaumekln/faster-whisper
6 T7 l" m. g) t8 q- @- V# `4 `安装如下：
1, Windows 10
2, Python 3.10.11
+ U) p. M! O- y" k3, CUDA 12.1
4, 在python 3 中安装
) O- c, U& Z8 Ipip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
+ k( s: [- ~: E; y$ w' k. 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。
5，pip install -U openai-whisper
: t, ^2 z( k% i& N这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
$ ], i; v3 f( P; N# T- d6 `8 [+ lwhisper 我用的命令行，faster-whisper 我用的是python。
4 m2 T. H4 g# S5 }% j1 [5 a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：

----------------------------------------
/ Q5 y( l( c- t* n0 [& l6 ?
+ _. ?2 z6 |( k5 ]. _9 X5 D/ H. Efrom faster_whisper import WhisperModel

model_size = "small"
& Q/ ]0 R9 J4 K* N6 e1 ^9 w
, I" s+ ~: R9 U2 |model = WhisperModel(model_size, device="cuda", compute_type="int8")
7 V- c* C* R( t- W, ~9 e
' K+ w$ x7 W0 O) ^" N9 I& E. xsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
% K5 H4 j- Y' U" M: ~    task="transcribe",
- x7 n6 q; p+ U# D    word_timestamps=True,
* A: t  I# F& @0 X/ ]    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

6 U, X4 `2 l# v- W8 R        for word in segment.words:
               
, Q7 U! W. P3 I6 U9 j. N6 {----------------------------------------

2 Q( I# s1 _" \7 w, Y& d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。
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。
- w9 J! B7 e3 Q- o2，segment 本身是很粗糙的，做字幕勉强能用。
- S  \2 i8 x5 v: y1 n! L3，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。
/ b; C1 N9 |0 t% L, G& m5，model.transcribe 中参数说明：
8 P* v( G$ w( m: }. x. i- S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
1 e7 C  o- [% B+ {8 [$ M+ V( [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。
' }! f  x' a9 i& m# K其他参数可参考源文件：
4 z- L$ z: k" k# K) W4 Jhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

3 V0 U6 W7 S2 s' {, K6，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。
4 [  h) B, p7 u/ x8，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。
, i- _' T" _, K

nanimarcus

多谢各位榜爷打赏。