faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

1 Y2 R) ]; d2 c# y
' o' {" y" a  O' U; g8 q8 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。
6 `/ V/ q# g7 ]2 F% o9 l  E4 \2 @2 n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。
9 P& P9 d2 P) 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。
$ ~) X9 q2 L1 [: k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。
2 X# r- [- C$ l( T----------------------------------------
2 r3 t, S. K) `; ^0 O% ^; S7 Jhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
7 J7 A! i/ {4 [5 I: k2, Python 3.10.11
3, CUDA 12.1
: Z; }6 V* M) F4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
* K$ a, `3 a8 J+ H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。
3 |! w8 K, w# z5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
' ^9 h" G' m9 F----------------------------------------
3 {% j5 {0 |0 m, [2 u+ h( Ewhisper 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：
0 N/ p, s% ^  v( I  y0 f
----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
7 O) Z# T' l( T& L" t, U& \$ r# @+ T
8 w$ Z1 x0 K3 K5 ^3 ^segments, info = model.transcribe(
    sourceFileName,
; ?$ |6 M) _. z    beam_size=5,
! T3 b- d7 s* f    language="en",
: r% o! t/ k; J' v2 ~. l) c    task="transcribe",
    word_timestamps=True,
8 q) B$ [  E3 ]    initial_prompt = "Hello, welcome to my lecture.")
1 c* p& d; W/ e$ I- E0 S! P, e
' u. J! p8 Q& A- x. Hfor segment in segments:
$ b+ e) Y1 p: g. Z# Z    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
5 B/ ^9 r& w' u
        for word in segment.words:
, ^* s' s/ @( d8 `3 `2 ~. z               
----------------------------------------
# v) p, g4 D" G7 K
8 r5 ~6 s, ~5 [! `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。
2，segment 本身是很粗糙的，做字幕勉强能用。
$ D0 \& t4 y2 E8 m( i& \# Y3，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。
( F2 a5 y9 ^" I9 v/ R4，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。
8 |! ^6 m! C' \0 |. W- u4 f5，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
1 `) Z$ Q7 Y0 n    word_timestamps=True,
4 ]- K, T9 ]+ w- L. l0 e保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
) x5 A$ W- \, `7 ]' S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：
https://github.com/guillaumekln/ ... isper/transcribe.py
7 r  Y, ~2 m, J0 l152 def transcribe(
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。
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。
1 R9 C; J. z+ R

nanimarcus

多谢各位榜爷打赏。