faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

: y2 E) ]7 c8 j2 j* R0 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。
$ R; ?& Z/ V$ M; J) T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。
1 P" R5 C; r7 z% e* @; M) I----------------------------------------
) V7 f4 T: Y9 C, q: ?- F5 b0 ehttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
! |5 ~1 B: o& _7 r2, Python 3.10.11
6 ^3 u$ {4 U$ w; z' V& m; F2 K3, 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
: Q1 i9 C  G; @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。
) j  c9 y( P9 F, m. C5，pip install -U openai-whisper
& U' p- }0 N3 z* W这是向whisper 致敬，可以不装
5 U( i% u. n. ]/ a1 t  P6，pip install faster-whisper
----------------------------------------
; N/ T! c- g6 u& Nwhisper 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：
7 P0 R# c$ [# z" H$ x$ K. m
1 X+ E, e* @9 d----------------------------------------
$ v2 j' \+ i* S0 o: h4 h
3 Q" Z( Y- f2 s- ]from faster_whisper import WhisperModel
$ u, |' Q% w1 O. v' k2 u
model_size = "small"
; P# M# b, Z6 ~1 `/ q
3 x7 d- n( H' ~% \" ^% h+ gmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
" ~/ m- L0 C, I& r! C
segments, info = model.transcribe(
3 u( Z+ @: @2 _7 z% c1 k% `    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
+ Z& c! E7 r7 D# H    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
; _, c" `% ~  P4 ?  X, G7 U
for segment in segments:
  C# Q. U( o2 J  O" }    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
6 C$ L6 w  N7 e/ N3 p6 I               
; r0 o  j2 h! d# k3 o6 u# M- k7 ^6 U9 e----------------------------------------
  I6 {, |* O( Z: m9 }% s
1 [) H9 \6 G0 P代码说明：
2 {, ]# S) ?' K! ?" l1，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。
% \+ b# n' x' i- L6 o* P8 X2，segment 本身是很粗糙的，做字幕勉强能用。
* ?$ B/ g  B! P# z' @  G2 _/ v; a3，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。
( g4 e- S) f: q4，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。
& U/ g; i( e4 n. ^5 w! c& j5，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,
7 l) Y6 b7 Y* O: t- G& u  t! F保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
# s- O+ w. L9 K4 j# t% Z: t* l, N保证能尽可能准确的断句 punctuation，但是不是决定性的。
* ~. R7 }) n2 I7 z4 e" W其他参数可参考源文件：
) O0 C' h- [2 O3 V$ Dhttps://github.com/guillaumekln/ ... isper/transcribe.py
2 p/ Q- w0 K/ O152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

$ L2 W  E3 \2 s' y. c6，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。
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。
9 ~7 g& y* m/ o5 b( G% I
% P! g0 S$ d) W8 \1 q3 m

: D* X7 R" Z* E% }  {; Q

nanimarcus

多谢各位榜爷打赏。