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。
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。
) C2 o( v; e- N' {----------------------------------------
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。
. \6 c3 d% D' J8 R5 s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。
$ b! n1 V  ~2 M5 I! H# a----------------------------------------
https://github.com/guillaumekln/faster-whisper
3 @: r+ ?! \3 t  S4 @8 Z' L安装如下：
) s4 o8 ]) h4 w- g1, Windows 10
2, Python 3.10.11
3, 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
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
- y& {) r/ t& C: N3 `6，pip install faster-whisper
----------------------------------------
; i8 e) x9 w( u, B: Awhisper 我用的命令行，faster-whisper 我用的是python。
3 n- N/ j% O% b2 u/ s2 w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：
/ T/ L7 T5 a5 A+ z; A& F7 M4 k
6 g, F) D1 D3 Y4 ?/ z3 M----------------------------------------
' I, E, }7 r# x3 g. c' k5 T
1 E& A) j! z( Y- O1 V5 I/ @( Kfrom faster_whisper import WhisperModel

model_size = "small"

* z3 }) ]4 d/ m! n- Omodel = WhisperModel(model_size, device="cuda", compute_type="int8")
) a, x- a* p. L; u6 K" Z, d
! D" E4 i$ J4 N% G; `7 usegments, info = model.transcribe(
+ X% C$ t6 q! P: ?0 m2 `9 T0 }6 X* X    sourceFileName,
    beam_size=5,
: |* |* M. r; |    language="en",
' O! q* A3 J& _8 c" I& h( d    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
  v1 K6 o1 m. W9 _, x
        for word in segment.words:
1 r0 u2 N* q8 e9 |" g               
----------------------------------------
8 b/ v! V8 ^4 l. h
0 F# X" [' R" Z6 d代码说明：
: Q: x- A9 x4 p3 }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。
# p& \8 v, d1 B: b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。
0 O3 Q7 R3 U0 G3，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。
6 p) O9 d1 O* i( g6 ^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。
$ G: m# Q8 n6 [$ `3 G5，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
% ^, g: }* g  B$ v其中
    word_timestamps=True,
0 S' R0 p. f8 W: `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。
% z$ D7 i3 E) F' w其他参数可参考源文件：
! F5 {6 ?' R% `https://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。
* k( K+ O( M6 @# U
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。
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。
# G' @7 ?3 F" ~; y0 X, B
) |/ `( Q+ @$ D

nanimarcus

多谢各位榜爷打赏。