faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

$ e3 I% b! T$ G7 l
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。
6 H+ k6 }# u! G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。
----------------------------------------
- S; @. v6 C% i9 K0 @  s) p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。
----------------------------------------
5 i' W5 E/ d# a& w( Ehttps://github.com/guillaumekln/faster-whisper
, C8 u. E8 E6 C# \9 I/ H安装如下：
3 t+ r! ~( H% r9 V8 F9 u+ P  f1, Windows 10
2, Python 3.10.11
/ R6 L0 x$ K6 R6 n5 \  r3, CUDA 12.1
4, 在python 3 中安装
' x7 x/ V. Q: e0 D7 ^' zpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
+ r! v/ a# w0 v# `" E' d; X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
( K1 r# l" N4 P1 q% x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。
) B5 e; {9 S2 H. L. [2 D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：

, q  }2 i* |. C. b" b----------------------------------------
& k( R) u+ D  J1 C* X" Y* `
from faster_whisper import WhisperModel

3 j& X$ |% L  y1 fmodel_size = "small"

; A; y# v) B/ j9 _1 U% n2 Tmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
8 u: J% q4 F* k" g    sourceFileName,
6 O- M1 j9 R( B, J1 G# K    beam_size=5,
    language="en",
    task="transcribe",
# A* k% m5 j' K& M/ S+ R; ~    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
& e* B5 {' [" Y+ R/ b: ^    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
0 q$ _! G1 \! J! d----------------------------------------
6 g/ |+ \$ X' K- `( W( G
& }. @/ I  x0 s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。
) ^* o2 p* h% c* @) G3，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。
, w  U% a8 I8 V4 _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。
; u/ J. v- e& `5，model.transcribe 中参数说明：
! z4 r( z1 K$ n( ~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
9 S2 R! r' R' v( y- K其中
- T7 n' e* J5 d: o( h7 P5 V# z    word_timestamps=True,
8 X' d* M1 q( T保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
. X( Q4 ~( t6 N% v8 o# x( F保证能尽可能准确的断句 punctuation，但是不是决定性的。
, r7 C8 G, t4 \7 p* L* E% h其他参数可参考源文件：
4 g3 \8 s4 p& c, a6 \( }https://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。

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。
, ]9 \7 v. u7 ]* |- \4 r5 T) ]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。
% I1 S0 C& h. {3 E8，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。

. T4 }! {1 b$ F7 l( e  J9 w
+ N' l6 w* M" N! i! N
; ^; {) {, ?6 m% Z) Z

nanimarcus

多谢各位榜爷打赏。