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。
. I. E5 N- S+ s, a" n' r' e7 w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; m+ @0 O  n+ D+ d) ^" 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。
% f) n$ v- ?6 T: ^3 x6 O2 \----------------------------------------
' d9 e6 o. o  p$ i- Ohttps://github.com/guillaumekln/faster-whisper
8 T3 i6 r  }' L安装如下：
1, Windows 10
& D3 k' U1 [+ s5 d: f2 U; k2, Python 3.10.11
3, CUDA 12.1
8 V7 e8 b5 r  J4 ?$ j4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
- d' f# k3 t  W5 x5 i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。
* X" `2 i5 X9 P7 K/ j# b" }0 A5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
" d$ N  @; {0 e0 U* M6，pip install faster-whisper
----------------------------------------
4 `- M" u7 [% B: Xwhisper 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：
$ {- e* l' e3 {. j/ T# z8 |
----------------------------------------
5 R' |+ V- h  F/ q: h
( J: i. L$ I1 ~. V. i" Cfrom faster_whisper import WhisperModel
" k5 O3 R6 i# G; d2 Y- c
model_size = "small"
! G. j0 n/ K, \+ e
model = WhisperModel(model_size, device="cuda", compute_type="int8")
" M' r2 m+ I( T+ i2 n4 d0 C" {
9 P) O5 y! [+ [% z" b0 \9 j, Jsegments, info = model.transcribe(
# B3 A2 }& h/ ?" T- p# Y2 o) M6 r    sourceFileName,
+ c1 e, w/ ]. c7 ?, c, j( ?    beam_size=5,
( l% l: A& o3 H2 s; l. l3 A7 `    language="en",
: C9 t. ^8 {% e! q* h    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

& m/ |$ R# U: K. d! g% Gfor segment in segments:
( v7 R! Y/ q! x5 o3 P    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
5 |  O+ Q( K) g% [0 K/ G9 e
代码说明：
& `4 ?1 l* E$ s! w0 C( a2 [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。
! K8 H" D+ b4 ?) s3，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。
. S1 ~2 ]( D+ |. x3 S4，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。
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
0 }# U9 D8 N' `( M0 F- n5 V! W    word_timestamps=True,
, I/ G) s& t: q: I$ Q4 b保证了你能拿到 word，否则是拿不到的
9 n) W2 n# g: i. P    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：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
+ d$ K' h6 v! V2 ]1 ]/ Z1 x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。
0 P. i& O; J6 s0 T8 e9 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。

4 b7 O- P& ^! e0 \
! G  l# q. T! l( t" p+ u) e

nanimarcus

多谢各位榜爷打赏。