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。
, ]4 r0 C5 Y0 U# y+ e* ~# ~; ?----------------------------------------
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。
6 ?% s" g8 n0 y0 n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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
' b; C1 g- X6 G( c; Z! Y1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
: z  N, Y( n( V3 e. L! e& `8 M4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
* }/ L5 N. W( h9 ~% F: [* y3 v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
----------------------------------------
% K- r8 _9 d6 u% Z+ t% pwhisper 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：

8 [' N" d' T0 V: T% e----------------------------------------

from faster_whisper import WhisperModel
! F5 l2 X! @8 i  _
model_size = "small"

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

segments, info = model.transcribe(
    sourceFileName,
. _9 A7 X0 b2 q7 |8 _    beam_size=5,
, j0 v, l8 J% \9 z    language="en",
, Z) Y: {# S! u; F6 m; V  P# c. z    task="transcribe",
    word_timestamps=True,
6 f" E6 V- p7 Q% i( w    initial_prompt = "Hello, welcome to my lecture.")

/ Y7 A: u6 b. Q( Rfor segment in segments:
4 a0 `% t2 P6 e4 {9 V    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
4 N' C+ N$ x$ a# D
, f% |9 g  y/ E1 [5 t) h+ W        for word in segment.words:
- m) }! l( F% _, d; `" B               
6 J: c3 ^  q% j, S4 Y) Y----------------------------------------

8 C  N: N7 _' L: G' d代码说明：
8 ?; ^/ a$ z0 M1，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。
+ B% U4 k+ ?' l$ F( |$ `! J- ]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。
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
  b- U( ]2 }% Y5 u4 F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
4 E) o, N7 B- B: ~* n    word_timestamps=True,
- ^* e$ L& B. d4 w1 c: G保证了你能拿到 word，否则是拿不到的
$ I$ r, j/ S# I. o- ]    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。
9 y( b  D  Q5 q8 a其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
3 b; V' g" q9 L从源文件你可以看到是支持中文的句号断句的。
# B$ ]3 `, m. ?& Q( f
5 l0 f* z: }3 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。
- @- R/ l( q# V; Z: Q- J( o/ ]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。

3 Y2 _. F, O/ c+ ^4 l: E$ L: D

- Z4 o- Y1 E* p# u

nanimarcus

多谢各位榜爷打赏。