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。
/ y; y7 D$ C# L) W/ h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。
. D: A+ }; H% }$ L8 {, L+ j----------------------------------------
& ]- B% H2 A+ F) q' ?7 H7 _/ f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。
8 {5 S/ g2 h7 x$ Z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
7 p* i+ I& M9 E& u3 o安装如下：
/ M) G# b! }0 _1 ]5 g1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
; Y/ Y, P2 }5 K- q) F( d% Vpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) K; {: m$ ]4 u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。
. t* }+ c7 F! E( q5，pip install -U openai-whisper
# M3 h1 q  G) q3 u- G这是向whisper 致敬，可以不装
6，pip install faster-whisper
" _; g. w1 G( I! ?----------------------------------------
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：

----------------------------------------

! b% n" D8 P0 o8 o# Sfrom faster_whisper import WhisperModel
- L0 z$ D! E/ a/ Y  R' P
model_size = "small"
& L' ?5 g0 b( V! y/ X
model = WhisperModel(model_size, device="cuda", compute_type="int8")

! d% o2 H- i+ C. @segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
; Q6 J* g9 `0 X7 W. M( ~    task="transcribe",
    word_timestamps=True,
, F1 B; d6 L  _4 |1 `  X1 h    initial_prompt = "Hello, welcome to my lecture.")
) H7 E* V! [" Z* Q: o: D5 Y
for segment in segments:
- \7 h1 a! T# |7 {8 q9 q; u    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
( O- y, b! r: a
; H1 H* x; |+ l- c        for word in segment.words:
6 C) a. {! \+ K4 B6 w0 X               
----------------------------------------

* P7 r* m2 D( b2 T0 s代码说明：
; }8 P8 Q( ^9 a6 P9 l, y1，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。
! y  A8 F; O' L3 r( t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。
: H5 D2 x2 y- e4 m) ~5 I# ~# h4，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。
, I! D$ _1 k( }$ h3 w+ U4 d5，model.transcribe 中参数说明：
# B0 d4 m0 n* K/ [% I4 N8 A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
6 f/ k/ w: n: _2 i4 z5 o. ^8 {3 m' S' j2 b    word_timestamps=True,
! Y( B# A: S& P% t, q7 A2 _# ?保证了你能拿到 word，否则是拿不到的
/ T2 C( V5 m, o8 l+ @  u    initial_prompt = "Hello, welcome to my lecture.")
3 b: N" x8 ^. r; l2 F+ Q5 q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
152 def transcribe(
+ b: K' g' d9 @1 J0 z9 S; u  ]从源文件你可以看到是支持中文的句号断句的。
! @6 ?1 f* H0 c% y
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 m0 l  f& K* Q7 f, L

nanimarcus

多谢各位榜爷打赏。