faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 r$ r4 P4 u5 Z5 h- _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* R! V- p) d" W# x( D----------------------------------------
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。
& b- c! [# u% l1 g1 g+ u4 r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。
# L$ [1 S2 Z4 o# _/ g1 r# k) D/ {----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
' }* S# L' a6 ?$ c) w  b$ D! J2, Python 3.10.11
- V2 N0 T# F1 W7 f2 O3, CUDA 12.1
4, 在python 3 中安装
; P/ ]- d! U: U6 r; z' ?0 ypip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
& C. P( |  n, g  J, Y- {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
2 _* b. F8 o5 j( p5 S; R- e这是向whisper 致敬，可以不装
; `; i# |, Y& O) z( S4 N6，pip install faster-whisper
# R6 m2 C8 n0 I4 b( N7 V8 W----------------------------------------
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：
, [: D/ e- B# d$ j3 Z$ m' ?9 u
# F7 D8 l/ O9 j& x1 b----------------------------------------

from faster_whisper import WhisperModel
; V: F) _6 c" z: C# Z+ t
model_size = "small"
" J& v5 A; j% ^2 L/ z  y# a9 o9 q
1 ?# k3 P8 m: }- }% |# kmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
" h/ `/ S( {) Y% M% E9 G- Z9 I, Z
segments, info = model.transcribe(
    sourceFileName,
. A6 Q" {& Y  A  H3 r    beam_size=5,
    language="en",
7 `' d! }+ a/ |3 }. L" X: _' c    task="transcribe",
2 i( k2 K( J  N+ g; @% b    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

/ x5 n7 Z% r3 H* X7 O, e# x' \( [. Dfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
5 ?  R( ]- ~. r! d6 u% ]* m. [               
* a4 _, B; c! x! E# e' b4 d: e" u----------------------------------------
' {& @6 b4 \5 L* c; \8 Z# m
8 g4 k* G6 Z0 [代码说明：
+ {# o/ W: z7 A6 o9 m- E7 g$ f1，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。
; E) \9 _- }9 c! K/ |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。
, K# K0 \; f) Z# m+ d9 f5 O2，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。
/ T0 }1 Y& B: ~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
# g7 \  Q- @, Z- f+ O/ p. c( |2 V其中
    word_timestamps=True,
0 w2 D+ e- T7 y) Y- g" D; n! B* e保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
' T4 `6 b2 X1 f4 J# M4 q; m* p+ ^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：
7 c9 [8 {3 B; _/ y1 b3 |, D; ]https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
- h% l& r% U6 n) ]- i# |, M从源文件你可以看到是支持中文的句号断句的。

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。
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。
2 u8 M# X/ i. c; Y1 U8，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。

' q* e8 y4 z, T4 F) t2 j* Y

" x$ k2 k  r) ^/ @: [, |0 Q, e

nanimarcus

多谢各位榜爷打赏。