faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
* F6 {6 z+ L& N1 H/ p; 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。
5 x  O) I; A; d9 c) \# E  `----------------------------------------
5 \, ~; B( }7 F) P. ?4 N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。
3 A( ~0 r0 b' X# Y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。
$ ~0 x# S$ ~5 p3 F/ m% J----------------------------------------
: V. `( k7 ^: U! @https://github.com/guillaumekln/faster-whisper
安装如下：
6 d4 s( Q% O( ^% E: E) J1, Windows 10
; h3 M- a# P1 D- m2 m2, Python 3.10.11
3, CUDA 12.1
7 F" W! i4 P0 d8 w* f* f4, 在python 3 中安装
" |$ E; D9 l) ~0 U8 \* fpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
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
这是向whisper 致敬，可以不装
0 j; A2 U# J) P" A; U9 ]6，pip install faster-whisper
----------------------------------------
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：
1 }" l7 S6 k- m3 R1 a( Q1 B
----------------------------------------
. X8 H4 K1 i: h. Y. _
from faster_whisper import WhisperModel
' |/ c# F) O: R6 f: J7 Y( q! b, ~
0 D8 O7 {9 q2 F5 F5 s& ]2 L& P; ?% Ymodel_size = "small"
/ s2 |3 X: p6 _7 s0 m- p
, K: a; `# \4 Qmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
- m- k1 K7 e8 w$ n) E
segments, info = model.transcribe(
: L7 q9 r3 V+ B2 S; f6 z    sourceFileName,
    beam_size=5,
    language="en",
1 V5 b8 O! s3 L( e3 {    task="transcribe",
    word_timestamps=True,
$ z9 ?) a( A0 W: q! C    initial_prompt = "Hello, welcome to my lecture.")
% E: j" ^9 Y4 l/ x' A( Q% O2 E
/ A3 K  m/ b7 \# H5 u+ @  _for segment in segments:
( g: f! J& [: y1 p/ p$ D$ L, w; p! d    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
' |9 s3 b. ~8 T4 D- Z( p  l$ k
( s6 W" N# u8 ^% ?代码说明：
' U$ O% _) P8 k6 b+ T0 ?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。
+ L8 D8 j' H* E" ~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。
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
3 v% B$ r& O, o) A5 B0 |其中
( `( |. y3 ]1 s" ?% v* K# \% x    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：
9 q& H* e( V6 h0 V! p# g2 o( C6 Yhttps://github.com/guillaumekln/ ... isper/transcribe.py
+ H; q6 C7 ]5 {9 m, q152 def transcribe(
% F" m( V( N" r7 O从源文件你可以看到是支持中文的句号断句的。
7 f; N2 N2 c! Q" }
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。
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。
7 O7 [: a, N' I* r; [9 B4 z
/ \8 B6 \+ ^, t/ F

nanimarcus

多谢各位榜爷打赏。