faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 f# l9 t0 Y  M1 O4 A, h
) h+ G+ N- p4 N5 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。
' T# q. D% P8 {% Z. k1 \3 K4 g----------------------------------------
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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
$ h) t8 y& A( [+ U2 c6 \. _pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
! O6 E# \4 u$ i2 J: U7 G) D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
4 K8 w4 L( g0 N1 J# Y这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
+ @+ g4 F5 M" v1 t1 P; ?& ?7 _9 bwhisper 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：

6 w, z6 A! ~7 X; a, j2 H----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
/ K6 Y( `; M- A+ I% I/ K5 {    beam_size=5,
    language="en",
    task="transcribe",
1 F* j0 W# V5 g  P, W8 X    word_timestamps=True,
, o, {4 l9 [$ q+ g. u4 V5 }1 F    initial_prompt = "Hello, welcome to my lecture.")
8 i/ `% F6 Q9 F3 Q
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
, J$ z+ y+ ^, g3 o  }2 e' c7 S6 Y
        for word in segment.words:
               
----------------------------------------
4 {( k  q/ L9 b+ ?
$ _& a% @" I% |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。
+ r0 x9 v( ^" I' S6 {) S0 w0 [2，segment 本身是很粗糙的，做字幕勉强能用。
5 e& T& Z/ H3 J  q% f; }- K5 P$ l# K3，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。
5，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
7 R0 M. z. U6 l! T$ I. Q# Z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。
其他参数可参考源文件：
3 g( P: G) ^1 ~https://github.com/guillaumekln/ ... isper/transcribe.py
, r, u8 G2 l9 m# w; H) _+ v2 @152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

# |& i! F( n+ G- C( S6，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。
% o2 c- H5 N! o* `- |
& n8 Y; }7 S! g/ Z4 b0 D! M% z9 C& d
- _5 _# U* G6 w# L& p9 f
8 L1 ^3 {: ^, o) v8 g: A  O. y3 X

nanimarcus

多谢各位榜爷打赏。