faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

" a& R7 N, Y( _9 l/ n) V7 i' ?+ a
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。
4 e+ ?0 L# W! u$ h, u: F* 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。
----------------------------------------
! j+ w+ i2 f, ]$ v* l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。
----------------------------------------
- f+ R' \  P1 ~$ }! Bhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
8 m, j& p3 S7 G6 d7 w4, 在python 3 中安装
# t" k$ T& a' n5 ~% B- N8 Y2 Hpip 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
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
! R, n3 n" s4 k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：

----------------------------------------
7 S  {' I( j$ B/ Y! {
3 Y& y0 u( C3 d. Efrom faster_whisper import WhisperModel

# [- B$ j5 k# Amodel_size = "small"
, t% Z; E" ^/ B+ K+ I5 ]6 y' g
) Y, `+ @8 S# F& @4 j3 @+ |model = WhisperModel(model_size, device="cuda", compute_type="int8")
6 J9 D7 L5 \# h. x1 H# d
segments, info = model.transcribe(
7 Q. G" i5 _+ w& }+ U4 s    sourceFileName,
    beam_size=5,
1 z4 \& V8 s9 m7 g- _( G    language="en",
9 d, M* W% P. H# y    task="transcribe",
7 m8 T; S# I3 ^  U; ^    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
- i6 m) v; N5 ]6 K    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
6 Q; ?' E  a  j, N: P
' t. M' T# R9 F% J* U' [        for word in segment.words:
' l5 B# h* ~# z+ O- H, X               
" ^! C0 [/ ^5 E4 O) O----------------------------------------
, i. Y7 o7 A! O$ ~/ L
代码说明：
0 u7 ^8 z* o& |$ H1 g1，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。
. ^  T. b  ]  x: a$ o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。
& e  z3 m4 H, q3，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 ?7 G; q9 x- `( |( g" b4，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
% _7 K) A5 H8 q8 u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
其中
, T. x0 ?+ `. c  M/ M: |    word_timestamps=True,
) d* B% M2 }4 }保证了你能拿到 word，否则是拿不到的
, g3 O8 b3 Z" _" |& I; }/ W0 M0 _    initial_prompt = "Hello, welcome to my lecture.")
4 M+ a' m9 [7 S  e2 \; z' R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：
! @' F1 o: p2 Z- z2 ^& Yhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
! H- T6 ^% \1 a
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。
. O5 J' M/ S* x: @  i, {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。
9 G4 `  `: P7 ~# l# z% Q8，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。


5 b+ m* r& b* \: R7 ?4 e

nanimarcus

多谢各位榜爷打赏。