faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

: W! c' @: r( ?3 m0 \9 K/ U
, e4 y9 J% P! o  o3 P; p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。
0 A. u! T% p/ i# _& u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。
# s+ r0 G1 [/ E+ }' z% v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 f- r7 b----------------------------------------
https://github.com/guillaumekln/faster-whisper
$ k8 B% c+ r* O) Z  T* y安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
$ p) C+ R: S0 Cpip 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
5 ?1 |: L- y7 Z. R5 B这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
, [7 T2 ?, S8 V! X' V& X3 G* \whisper 我用的命令行，faster-whisper 我用的是python。
$ r+ O. }5 b  s. ^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：

----------------------------------------

from faster_whisper import WhisperModel
9 _1 V4 L2 r0 Q" z3 _
) G8 @) `) t0 dmodel_size = "small"
% X. }; ]3 L) ?/ f, R: ]# }& O
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
. `0 D1 g' v# o1 v9 p2 B4 `" ?    beam_size=5,
    language="en",
/ _# l. C  A: m9 _9 S9 \7 x    task="transcribe",
" a7 ^5 [2 {  ?8 Z/ X( A    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
( r* S7 g, `- W# ?, f2 b* ~$ z1 C7 z
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

% h  o! }& W6 [* v+ P! v- Q7 |- `        for word in segment.words:
               
0 {, b9 h3 w! X+ [: O5 b. Y( W5 }----------------------------------------
9 @/ W, `; R" r2 U: j
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。
  k3 _0 w0 R5 w2，segment 本身是很粗糙的，做字幕勉强能用。
* l+ T6 Z* f$ [( e; Z2 o8 I9 G4 X3，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。
/ `/ f6 t+ D# L- @# R7 E" r5 x4，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
9 U" V' D  j1 a5 J; e. L! [    word_timestamps=True,
- W7 S9 \# z' x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。
/ ]( C; x$ m; U* O其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
) `  K1 I# `/ s2 W/ ~1 M152 def transcribe(
- w1 Y0 \, }* D1 M' Y* @& f从源文件你可以看到是支持中文的句号断句的。
& F/ ]$ j! G4 F6 C; T: P# \7 k
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。
# k+ |* {  E3 V( f. Y. x( \$ _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。
( C% }' }- j# f- Q: {& Q8，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。

; k8 y% X! u9 F& W4 f

3 A& {4 ?* |) U2 K

nanimarcus

多谢各位榜爷打赏。