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。
" |& Q/ D% y* `5 ^/ y+ K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 h% x# f) H% S& b1 y5 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。
8 R% G; a! P# a( c! E6 M8 @----------------------------------------
) s- E, b( O, C" {+ `/ n- thttps://github.com/guillaumekln/faster-whisper
, d: R1 G' `$ L5 Y# E安装如下：
; R  j2 K  b- h. f( v' i1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
  [0 C+ [  J2 P8 E7 _' `2 H7 z  j# p4, 在python 3 中安装
) `* r( U4 u# i/ O$ E! A# Apip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
% j1 j$ m9 W0 S: P/ |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。
6 O% Q. y9 |3 J9 ^. O+ p5 m; k5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
9 {: j' e% ^4 N- w6 {, k; y$ r8 q----------------------------------------
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：
7 m9 `* O; m( \8 `1 d) U
% [! i* }. u, d2 ~" e# w----------------------------------------

) R  u3 K5 O# Z) N' B$ G2 p. z4 Efrom faster_whisper import WhisperModel

+ k7 l' @' w* e# r* kmodel_size = "small"
# G2 t8 t9 A% X4 d; }
model = WhisperModel(model_size, device="cuda", compute_type="int8")
. Y" n9 K8 O% D
- i7 U  v; I* d/ Y$ v; vsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
0 M6 Y( x# W1 t7 t. m( J    language="en",
% o- t' l' L# S9 F" l2 K    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
5 a* F( R* H- ?% A  f) R
( N% o( z+ \$ e2 [for segment in segments:
% _: E" ~! ]% n    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
% [% b% n& X  p6 r$ }6 t
9 }6 X7 B/ [- t9 N  L, Z0 ?        for word in segment.words:
               
0 U- A4 L/ b0 u, e# S! \----------------------------------------
9 e/ T+ O5 u0 @4 L% \
代码说明：
5 f! S0 q' V& S+ `) g1，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。
% d" p4 p: E/ }3 v$ _& [8 \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。
, J5 w( K& U# }) t4，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。
4 }9 e) W3 V7 V+ I) X* a9 u, T1 I2 W5，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
2 }6 A; X& `  L9 E1 T' Y其中
    word_timestamps=True,
; F+ T! _+ V  d4 o. R  n  ]保证了你能拿到 word，否则是拿不到的
5 w6 m% h% F7 O& S% a! `# 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。
8 S5 u' }: M. V8 {其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
# {& I9 y% ?8 o' o  N1 e' r* _$ u7 L4 {从源文件你可以看到是支持中文的句号断句的。

! n# G" g- W! }- N6 I6，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。



8 ]& C1 H4 x. J  }+ j; X

nanimarcus

多谢各位榜爷打赏。