faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

% R$ R4 V' Y  U6 Y
, ~' Q3 [% h: z- _' ^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。
3 c' W* o/ n9 \( |$ s! h7 C2 m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。
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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
  p( p: X1 P( b6 n$ N# T2, Python 3.10.11
! A, c  d! Z) \1 `9 n3, CUDA 12.1
4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
" }" O  I/ }# `- x: S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
( A9 \0 U1 T! a6 j: b' U这是向whisper 致敬，可以不装
! c& j  A5 d0 _3 a6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
7 y/ @+ g! e! ]& |# R. z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：

----------------------------------------
$ H: O2 ]9 L- k0 p8 f" b
8 \1 B- c  f, a( qfrom faster_whisper import WhisperModel
8 e2 T3 p/ k- o" ^
model_size = "small"
3 U6 Y/ G4 n( _$ V; I
1 \1 r) q% [, z; l" i$ f! _model = WhisperModel(model_size, device="cuda", compute_type="int8")
# @' U/ k, G$ t% k
/ N; A% }: D& p- \8 ~segments, info = model.transcribe(
" n8 W$ A4 N5 E  f0 J    sourceFileName,
    beam_size=5,
    language="en",
& j5 {- v; l5 U3 V, u. @6 g* F    task="transcribe",
    word_timestamps=True,
$ c  R' y6 v2 g8 Q" i; \7 m    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
/ j0 \. e7 V8 d7 q2 {
5 Z. a" H/ i* d. V3 N        for word in segment.words:
: z0 b% @! H0 u) u               
----------------------------------------

代码说明：
6 o3 M! H. k; x: v1 o1，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。
! V# v* {' z8 ?7 p! I0 o: X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。
- d/ Y. {: k- a& r  T/ U7 s& H5 f; b2，segment 本身是很粗糙的，做字幕勉强能用。
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。
9 t2 ]3 n6 o6 t1 U( t" f, L( 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。
1 @! B" }- s9 ]8 V4 Z5，model.transcribe 中参数说明：
2 I4 L) L: q4 b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
1 u" }! s4 o9 S, S其中
1 p! C$ {: m* _( H8 J/ `    word_timestamps=True,
% J) @" J- k1 e: f( v- Q4 u5 `保证了你能拿到 word，否则是拿不到的
& F& W% ~" z4 e    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：
3 p% i$ }, q) L( h2 Thttps://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。
* e& L; Y' |  H( |+ E9 C7 F7，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。
' K/ s( {( r5 z1 B8 q' e! `2 y8，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。

6 z% d$ N  L1 T% H/ J

nanimarcus

多谢各位榜爷打赏。