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。
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。
----------------------------------------
2 }3 d& x9 x( u) v/ B: B1 w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。
8 S0 t. C6 b% F: \----------------------------------------
  z1 V8 X: x) F3 c' A# S* C* |https://github.com/guillaumekln/faster-whisper
安装如下：
* X: g( d  U' K0 D3 x6 X2 x  P1, Windows 10
6 s3 N8 ^5 h6 _# V$ f' \5 g% K2, Python 3.10.11
8 @& m+ ?( I9 M1 L5 S$ y5 M  d3, 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
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
9 J1 t9 f7 h, O3 _0 N这是向whisper 致敬，可以不装
" R; f" p1 G% ^! P4 n; T, d6，pip install faster-whisper
0 b& ]7 q7 q  x! V----------------------------------------
( }8 s' p; V! Z: F& o+ L( n# e) M5 zwhisper 我用的命令行，faster-whisper 我用的是python。
" Q$ r4 i! H( X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：

----------------------------------------

* x5 R! Y$ o. H6 y" Sfrom faster_whisper import WhisperModel
* ?: ?3 b4 {7 v
1 D6 `: r/ n5 k  M9 ^+ wmodel_size = "small"

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

segments, info = model.transcribe(
2 \0 r* ^6 W9 [1 W5 H$ m    sourceFileName,
/ l: i6 _) n6 M/ m( l    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
- I$ {7 z. }: Z/ _% _" }, n: `9 o4 D, t
, Y* b& B. t# z6 efor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
/ b* ^% V- h1 t+ k
; r, c& @' Z" b  J2 M% N% }1 _) k% p* \        for word in segment.words:
               
6 J" r: C7 G! g; c# G/ E0 k( ^4 Y----------------------------------------

2 `- d1 e1 x' g6 H3 k代码说明：
2 c  P2 C# _" W1，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。
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。
: r; `( L: A  ^8 U4，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。
# t& c- R6 P5 z4 E5 J5，model.transcribe 中参数说明：
1 C4 C& \# E7 m+ D( J" M4 ?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,
# x1 Q8 Q. t: K! Z: D' m保证了你能拿到 word，否则是拿不到的
4 V3 N9 ]1 S0 ^$ J6 b    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：
0 p/ x8 O' }  b2 \https://github.com/guillaumekln/ ... isper/transcribe.py
* h# x, J  U" X8 p9 L, s$ A+ H, o152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
4 S" K. A$ V& K! F: g& d; ^
6 |1 [7 @/ e! x' ^( O6，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。
' [# A" }' M2 e+ W7，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。
; {" z, s( ^  ~+ b, T" w


! v  V/ ]# R) G0 t

nanimarcus

多谢各位榜爷打赏。