faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

7 ?$ m2 E- z- ^% e/ ^& w' U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。
9 n6 B0 ]5 e0 c3 {6 n' T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。
  \  E0 z* n0 ~( r* d/ h% S, W9 h----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
+ F, J, e' P) [  i/ X1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
, e/ n  n3 l1 ^. z3 t4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
& \. k2 n3 \7 x& @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。
3 K2 i! ^8 r4 y4 ^5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
. m% n. @+ _$ w% H4 C) w6，pip install faster-whisper
8 n4 Z0 X, \( T* u0 U$ m7 f----------------------------------------
6 y5 _9 ]) m& [. T3 h2 ^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：
2 M, ^/ M; }+ {* h: E3 Q2 P
----------------------------------------
  i  d/ i% T, C: s, Z
from faster_whisper import WhisperModel

model_size = "small"
3 q$ l/ z% f  F+ {8 T5 w
7 y: u" ~! w! H3 A! h0 E& jmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
7 D% q: m6 A  J8 ?( D7 w; g    sourceFileName,
$ d! ]7 V! u' x& j0 a    beam_size=5,
5 t- z  R0 w" ~6 |    language="en",
+ a( ~8 w8 X* b) a) K* z    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

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

! Z4 y3 V, j0 I* D6 T        for word in segment.words:
               
----------------------------------------
2 d% V( w6 s: S
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。
1 |, P6 ?3 n' Z" u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。
  q) ]1 r: k$ O% r2 D+ \6 x$ f4，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
4 D- e3 o4 w/ W7 ]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：
0 K- _( _& d) v' @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
4 {' A1 \4 s' u其中
    word_timestamps=True,
4 c. h% T, D* \保证了你能拿到 word，否则是拿不到的
: u; ]6 ?8 \6 O6 T    initial_prompt = "Hello, welcome to my lecture.")
9 O9 D" j2 Q  J- i保证能尽可能准确的断句 punctuation，但是不是决定性的。
3 U: x6 d, T8 g! q' }0 `, Y其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
7 {6 K% h% r6 @6 ]6 n) [+ y: L# t152 def transcribe(
- g3 J0 e, U; l. i2 ^2 Z从源文件你可以看到是支持中文的句号断句的。
% B9 D" m, A! \6 e/ Z% e, w
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。
  e. R, V) K( F7，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。
$ \+ m1 @( V( W+ m5 P5 \
0 n9 I) d# R( n

nanimarcus

多谢各位榜爷打赏。