faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* x" r' Z3 J! y7 s% R0 ?. }
& w+ B2 z8 o) z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。
----------------------------------------
$ G  E( Y' V# G8 M$ d& _/ y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。
4 _. d9 C. d! t: j----------------------------------------
! \+ @7 f) j& s! U. S( Jhttps://github.com/guillaumekln/faster-whisper
) m8 w( V4 `# _  Q4 ?4 L安装如下：
6 j2 ~) I/ X7 v- K1, Windows 10
' J/ Y( [& i( h8 Z0 U8 }5 D2, Python 3.10.11
  k$ g2 u; s. m$ n7 o# `3, CUDA 12.1
2 k/ U1 W6 x3 C: B- g! b4, 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
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
1 I- c+ u0 W# k/ `" X' C, l. qwhisper 我用的命令行，faster-whisper 我用的是python。
4 X8 H+ t: E8 _9 v7 k1 e( y( t! K! U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：

----------------------------------------
$ r( h" u5 |+ _8 \2 k  R
from faster_whisper import WhisperModel
2 m, X" j% J9 m0 {% K5 p
3 S. |+ @4 j* s3 O  ~; }model_size = "small"
/ P, o- G0 E! N( d$ |
: G% S) C; Q5 f. ~( ^  Emodel = WhisperModel(model_size, device="cuda", compute_type="int8")
. R1 ]# ]# |! z" G0 b# ?
% Q4 p6 a3 z9 `2 D2 i# Z. esegments, info = model.transcribe(
. p5 T" H) k7 z    sourceFileName,
, N) o4 C# b2 _5 a3 {    beam_size=5,
( Z% I2 L* x9 Z# z    language="en",
8 x4 r3 U: c% M& L2 w6 ^    task="transcribe",
$ T  I4 Q" `2 v4 S) S. k    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

. y6 ~+ H9 P* yfor segment in segments:
6 _0 F; n% e8 e9 Y    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
0 U2 @# }8 m: f
        for word in segment.words:
               
  \1 J  O* l' n2 d! P----------------------------------------
1 y) [( V, u! R
" B' j3 i/ h- y7 c' ~  h  A6 }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。
' }8 E3 D# R7 x; z( ^0 }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
- e4 u& ?2 T, E9 d+ A比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
  v2 n& U( k% o0 c% l2 @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
其中
9 i1 Q5 ~1 R- C    word_timestamps=True,
- E' g# w! I, ?( i& a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。
  D8 f5 G" i- [$ o" h其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
6 I5 O$ ]9 i; }+ |8 }, r9 s152 def transcribe(
" I- D. `/ k9 U9 w, o从源文件你可以看到是支持中文的句号断句的。

7 d# q) {" S8 j! h7 w6 U6，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。
7 ]# I. J# C/ [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。
! ]; Q/ U5 Z, p6 j

7 _* c% A: h- c# {1 @9 O/ A& T1 W
; l+ Y- t/ U- c' a

nanimarcus

多谢各位榜爷打赏。