faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

+ l2 J: e! X. P- x; w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。
; g/ R- r: g6 J+ o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/ F7 X" s% c) I6 ?0 m1 P3 ]0 r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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
* ^' e4 _6 M: I: i) f( I安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
5 e% s) t$ C; x, }4, 在python 3 中安装
4 }$ W' A. T  r! T& _" Cpip 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。
) S( l: ?: w5 w$ S" [5，pip install -U openai-whisper
7 g2 t( a2 U; T  n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。
* ?$ M- e* J6 ^' e& M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：
3 K5 }( i" _2 |. k1 w( B
----------------------------------------

from faster_whisper import WhisperModel

0 j  Z6 {, _* O" wmodel_size = "small"
8 K$ I: Q% O  l7 E. K
$ m: A0 J* e7 H+ H# {" d* c# L  V2 smodel = WhisperModel(model_size, device="cuda", compute_type="int8")
' g9 E# x% N7 C6 A% t2 R
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
/ x8 I8 m! J/ ^9 M7 D    language="en",
    task="transcribe",
8 }1 R3 A7 {$ H    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
% k# Y8 M1 m/ q, j1 z
! i! M0 M1 M6 m2 [4 ?for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
# |9 F; e# W& y4 H, x----------------------------------------

) q1 [+ u; r2 I; a1 V代码说明：
0 l! R3 H3 O2 f6 K1 A1，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。
% u/ h4 @7 b- ?1 d; K# E$ ~! C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。
" v6 i: q/ S& k5 s, @7 l+ e3，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
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
. k1 B$ u  `) j* }. O# I5，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
    word_timestamps=True,
0 h6 j' {6 ^/ }/ M  w. I* A保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
3 U% z+ V* w, V" _: 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：
https://github.com/guillaumekln/ ... isper/transcribe.py
+ d6 `$ M, G, j; m* {; i152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

6 V; v# F! Q+ z; S" q% A6，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。
6 C) [& \" q" q) K% Q7，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。
" E, H, m/ x2 Q
4 i3 Q+ d9 U' g5 ^
# V, }7 I* e3 r, N6 Y

nanimarcus

多谢各位榜爷打赏。