faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* D! w' h% s3 h  |. \
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。
. x. p4 h! e# L  K5 j8 b. 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。
- @' m+ d. d  i: {. j5 D----------------------------------------
! T0 \- M7 F7 A) ^8 t. j" h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。
----------------------------------------
% P: a2 x! [8 F8 fhttps://github.com/guillaumekln/faster-whisper
/ s9 }' o0 {( k4 P1 W7 L安装如下：
1, Windows 10
0 x+ ^! Q) C6 w) u/ F+ _) q  r2, Python 3.10.11
3, CUDA 12.1
/ W! J0 q# d; g3 y8 p; p8 v- n+ n4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
& i6 I# `4 ?+ r/ s' R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。
4 h$ O- w# e$ D- Y9 ~  `. q# r5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
" _9 v8 H* O9 b6，pip install faster-whisper
; N- c* z+ v- x----------------------------------------
( M7 n* x5 j* G: a% Qwhisper 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：

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

! R' W( D* @! E4 O2 _4 x- ]& K! pfrom faster_whisper import WhisperModel

' U5 F2 P( X" H: b# I. G6 Wmodel_size = "small"
# d* r- b3 c" D# {5 ^
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
9 P% j- m/ ~( Z7 }# ~( _+ Y! `* E    sourceFileName,
8 e# R/ Z6 o) `+ P( P: I    beam_size=5,
    language="en",
* q  \9 A6 A: q0 ~6 a/ [. x    task="transcribe",
: j0 H8 y% v% l# D- ^7 \. m    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
; w: q4 q+ c% b$ \( D; m
for segment in segments:
) ~; D$ _% Q- ~) Q    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
: G& U/ k; d" s. @8 m7 X3 y
        for word in segment.words:
( i$ y) b9 N' K5 \) N               
----------------------------------------
5 E7 V& {. Q) A6 Z) y6 I2 Q
- x2 L1 X& b5 B, Z7 m4 t+ N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。
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。
9 J6 y' ?5 v1 E& c- Z5 t# }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。
3 ^/ r7 _/ P/ h# y1 s# B6 Q) o7 r3 n4，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
% J2 F$ n9 M! \6 }9 T& o2 s+ k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
3 R2 ]7 z4 C& U2 H    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    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。
其他参数可参考源文件：
+ _/ T! _- B5 a; v  v3 _https://github.com/guillaumekln/ ... isper/transcribe.py
- U0 U6 [+ D9 l0 ~# X5 V' }- d152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

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 z/ i, I/ s+ E- |# O8，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。

! \+ B" D% C6 t* O6 X6 H) C
) ^$ c/ D& g( G( V: p  X
+ t8 W$ {% c( L

nanimarcus

多谢各位榜爷打赏。