faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

. d. _. E$ i6 ^1 j. _& i
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。
& m* y* R! q6 }* Q2 E! 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。
----------------------------------------
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。
& P! M4 e7 y( W. p+ ]! e6 I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。
9 X. M$ _. a0 n! s( o----------------------------------------
+ ^6 g; f* s8 x7 X8 x5 m' B, thttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
" h: [7 D1 b) w6 S: ?" W, t4 M2, Python 3.10.11
3, CUDA 12.1
  V  i8 f6 e% {7 F4, 在python 3 中安装
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。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
: c4 o, s# U5 K# e0 M* |6，pip install faster-whisper
----------------------------------------
7 h$ {3 z- ]( T' w. G; j: C) xwhisper 我用的命令行，faster-whisper 我用的是python。
& T# g  @% n  h9 b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：

# N# G0 W, ^2 N# e& N+ C! g----------------------------------------

* v- N: P: |1 N3 R! q# {" @* Tfrom faster_whisper import WhisperModel
9 y  _( h3 o: {  t0 x3 @0 I3 b
5 X! V% `+ ^# W1 ?3 A% ^  Vmodel_size = "small"
% u0 R- w4 W  X- \! S, j2 {
model = WhisperModel(model_size, device="cuda", compute_type="int8")
1 J* s# E% [4 L, l. h3 Z+ O7 p# R
segments, info = model.transcribe(
7 y0 g2 X) o! L    sourceFileName,
( s, W& v" P; ?% n- l2 n    beam_size=5,
    language="en",
. x9 v8 C7 ^% X( ?4 B    task="transcribe",
$ `& L- p6 E: ^7 w/ H5 L4 w    word_timestamps=True,
' m* E0 U8 ?+ F. z; c    initial_prompt = "Hello, welcome to my lecture.")
' a, l2 A( a/ w/ G% U7 v
3 i5 W! B+ R  T: Y7 l# l+ X0 Zfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
* |3 G+ U  ]( G+ P
        for word in segment.words:
               
----------------------------------------

" D8 W. M9 C. v' p0 g7 W代码说明：
. B* N+ S, t4 R; Z1 Z) Y3 [& S1，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。
; }" H* ~' u; F% T- u; k8 z, H/ h3，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。
8 g' _& W9 [! U$ f( g% i! U4，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。
7 r6 W' W$ \. g2 _' u4 d, r5，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
+ p  m  X7 T& a5 Y其中
    word_timestamps=True,
9 h) e" W9 `# m4 w- j. r" l3 @7 w$ \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：
! e4 W* a( [' v0 _4 k& ehttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
; h% {; \6 L% B! W2 X6 e( K+ [3 P+ v
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。
+ G- n8 ^* R. I  [9 u, C' n8，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。
' u  v( X2 L6 x( ^


, _+ U$ Y2 u/ P6 f" O( T9 Q

nanimarcus

多谢各位榜爷打赏。