faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

( ?$ o, w2 ?: D) E& C
- Y/ m  W( v: V6 b" F' H/ \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。
1 F7 [0 s/ k) V$ Q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。
- o8 i/ {$ E, X----------------------------------------
. P. B+ W# }6 y' X9 _5 G  u% D. 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。
/ U+ W) W% q  o% g8 _7 o  o----------------------------------------
https://github.com/guillaumekln/faster-whisper
6 n7 `( ^) W7 a安装如下：
3 I! S' ]; I- U6 G1, Windows 10
/ @/ e# c( Q; }0 u, u/ S2, Python 3.10.11
# g* g* T) V$ T- `; W3 ?; ~" b3, CUDA 12.1
- O% D) F  {' k; L4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
3 G2 D3 c; L, P. C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
4 G4 P$ h& ]+ D6，pip install faster-whisper
----------------------------------------
2 K& M3 S/ j- j' L4 ewhisper 我用的命令行，faster-whisper 我用的是python。
0 M* B' b, L9 }% g4 U" a( ]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：
3 k5 y0 s" V9 u3 k
----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
* L3 U+ k# b( o
model = WhisperModel(model_size, device="cuda", compute_type="int8")
( p9 R$ @8 _! O1 W/ A5 A
segments, info = model.transcribe(
! C% i. P+ g* f    sourceFileName,
    beam_size=5,
: p# ~7 Q7 L9 Q0 r* G+ [    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
7 O% E. s/ R0 J" L. x
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
) L4 Y. S3 [5 i
$ K/ P1 a4 \3 M* v* I6 ~7 C! _        for word in segment.words:
               
----------------------------------------
% |0 Y* s( z! O$ ?
' G6 k" ]( I6 C' l1 H代码说明：
2 x1 b' z' O% k1 U1，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。
- k$ g) O5 }/ s& D' t& S- E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。
3 K0 {/ ~! C' \* F2，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。
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。
5，model.transcribe 中参数说明：
3 d9 P3 V& D# E& d3 ]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,
: _! Y3 _" V3 H" Z) k保证了你能拿到 word，否则是拿不到的
; Z7 W$ o% _5 l% Z- u$ c# B; A9 X    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：
/ h2 |- W- L( H( n/ q6 n$ Ehttps://github.com/guillaumekln/ ... isper/transcribe.py
/ n, h8 ~9 G: P3 a* _152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
; Q+ m1 ^9 V( M5 l
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。
  s7 f" y' I' W2 ~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。
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。
* Q6 D: H/ X9 T6 x3 H! n( H4 f+ w
' [0 A& A* V# h9 I, V( C

  A  c+ G8 }/ p

nanimarcus

多谢各位榜爷打赏。