faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

/ J% w5 V: Z" @3 Y' t; B1 \3 S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。
3 c4 h2 S: w6 `2 n6 ?, F; R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。
/ M2 t0 z/ R0 [! Z, g----------------------------------------
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。
3 M* G) o2 e  q  b+ t- B----------------------------------------
, t& \. ~% `. d5 Q8 |3 {6 h& `https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
6 ?; f' X" A+ j% w: ?6 z$ D. a3, CUDA 12.1
& @- X0 l7 I0 n5 F  {% b# B4, 在python 3 中安装
. i6 e' `# B% C; _( k$ U' _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。
; n7 N% t. M* X5，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。
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：
# ^  e; |- d" H, D% L, [# d# I
----------------------------------------
% b$ q6 G* C- ^9 K1 m. T
3 `8 Q/ T% \1 e7 ofrom faster_whisper import WhisperModel

! Z! N& ~' R) s6 k+ x2 ^model_size = "small"

+ }$ K# x; z8 d2 M$ Mmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

. K% w7 q9 y+ nsegments, info = model.transcribe(
$ f$ {7 T* F9 s" l7 r& d; s  [3 e    sourceFileName,
( b2 F/ t' w! I8 ]- J9 _) B% P+ s    beam_size=5,
2 \' U  e; w9 M) R, `5 @+ T    language="en",
    task="transcribe",
* F. G/ r/ A6 U5 W; K9 F    word_timestamps=True,
# c4 ~' x2 z6 U    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
- P; [% Q% s7 `. e/ \    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
5 \; {8 }# }0 F0 B; h' f
        for word in segment.words:
5 k; n$ ~9 x( L" Z               
----------------------------------------
' V8 S9 F8 m; y) K
" r1 o/ n. k$ u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。
6 L9 I3 U: j3 W2 c" m) |8 h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。
( G7 j* l( u! S# Y; Q$ r3，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。
9 h) u$ H+ U& W1 W( ^& \4 J5，model.transcribe 中参数说明：
& R- B2 x( D% B1 D2 A4 ]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
. u3 y4 G/ c, L$ I/ o2 D6 n其中
    word_timestamps=True,
/ O  i1 ?! N# P  N/ \2 C保证了你能拿到 word，否则是拿不到的
! G2 j% e0 [2 e7 o3 |    initial_prompt = "Hello, welcome to my lecture.")
0 t9 m' P. m. O! U" J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
' U5 a* s& z7 y) p4 J; J4 D152 def transcribe(
- \; h: q) |1 f' L1 E- a, ^从源文件你可以看到是支持中文的句号断句的。
7 U6 u; x1 e" [8 C! Q2 B
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。
; ^$ q, u9 E8 \) u0 N3 X7，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。

% T" @0 O3 G  M0 Y0 H8 Y. w% g* V6 E
) l% [3 Y5 O1 w* A! T+ J+ T8 h
" K- ^7 q! z5 j. _( s- p# C

nanimarcus

多谢各位榜爷打赏。