faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* ~: q2 u; Z) b5 f7 {0 Y. A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。
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 _1 \# \" P; Q9 n8 P# V' A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。
" |; P1 x6 Y' |: g; t* K& |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。
----------------------------------------
' o+ b/ W6 S$ w" A# J' w% n# O; Hhttps://github.com/guillaumekln/faster-whisper
8 L0 ^+ e7 E5 s2 O3 ?6 |安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
/ J  K- C$ G: E7 q' G' t# tpip 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
  v! ], n0 M. G  q* o; \6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
( N) ]7 E" q1 ?9 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：
0 ^- {. |) y1 u$ r2 R$ l& E
----------------------------------------
+ P* Z0 g  \) B+ }, Y( E
9 A, S  S  I1 A5 k" b4 Nfrom faster_whisper import WhisperModel
( J/ ]& c+ i# V
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
) K) }: ^& H- t    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
7 N- Z' _  v6 E. `: f; L. q    initial_prompt = "Hello, welcome to my lecture.")

4 M" O; g* K0 x- m* |3 d. Y) _; Hfor segment in segments:
, ?* Y7 u6 S3 I; S1 ]) Q9 r    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
) h) O0 c2 }6 Z% M2 Q
' G; t8 N, G; K$ v' p0 b        for word in segment.words:
               
# q$ |4 J: H; b, z9 Q7 q----------------------------------------

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。
4 n4 H0 c1 d' v! L  P1 U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。
, s; w& r, R5 z1 h) l. @. [* {/ e% ?2，segment 本身是很粗糙的，做字幕勉强能用。
* L' v( |# t( A0 e3，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。
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
6 J2 J! q/ o: R# }2 N9 O4 Q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：
9 V* z: D* ^; V6 n) B3 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
其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
5 Z4 z2 y& J2 F3 ?& ~! a! c  ^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：
2 h+ b/ O( I! }/ G) ghttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
- W" z7 ^; ]0 l' m. z# U2 ]% l1 Q从源文件你可以看到是支持中文的句号断句的。
; v9 J3 U* m' f, W8 K- {% ^8 S0 }/ _: B2 w
( j! {2 u$ x" f8 g) @# _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。
2 B7 i, l* ~. {4 }3 B3 x1 b7，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。
: P1 l/ `& S9 ?
& W$ l6 L% G$ ]" Z" }/ s! G
  U- r) s, a, u# d) h
) I' G9 k$ D2 w! g3 k" l

nanimarcus

多谢各位榜爷打赏。