faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

' [$ e( r# f6 R0 ?, V5 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。
0 \9 `4 |, G9 M4 ]+ b; o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。
  Z1 s9 l& Y3 e6 d/ `; I----------------------------------------
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。
! n+ a: o% d1 C% c# T- b0 f+ ?8 c4 j----------------------------------------
https://github.com/guillaumekln/faster-whisper
8 z5 A8 W7 I$ @# q' K安装如下：
1, Windows 10
% p- m$ C+ ]2 x+ G  ?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
0 Y& H- u& N% M8 k$ k这是向whisper 致敬，可以不装
# h$ M" H! }9 n2 f) d) O6，pip install faster-whisper
: Q5 K8 U; E2 r% M# I----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
, o  K1 U. A( M+ `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：
% }' q0 n- l. N& H% r, E
----------------------------------------
2 J% {2 ~4 x/ J! F4 c( s3 o
  Q9 k9 i& X, W/ C. x& _from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
: w6 M: }5 v1 }. C
segments, info = model.transcribe(
. J7 y# C  ^/ M7 y- A' j8 ~; \6 ]    sourceFileName,
3 g& L* S  {9 W! j3 I9 ^) r    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
( t5 x4 C2 Y# l  u* ^/ p    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
4 \4 E) |1 j9 ?0 @- D$ t    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
. I2 h) J; y1 f* H9 r0 b               
& A0 d# n. ]2 y----------------------------------------
% k% ^# d* t5 o) E
. w0 S+ S* v' ~" G# G2 ^代码说明：
- j4 l4 I8 d' i7 s8 I2 K+ L) f1，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。
2，segment 本身是很粗糙的，做字幕勉强能用。
$ a0 C! H) R  `- z6 ~2 _6 R/ \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。
# o# v9 `6 A, u! s; ^1 ]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
5 p1 z( h" I2 Q; V4 w. Z( ]2 t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
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
7 i8 ]# s2 p) g9 {7 Q/ z    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：
https://github.com/guillaumekln/ ... isper/transcribe.py
# a* c0 l' H2 C4 |$ ~152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

1 |: x- Q  S; T) b& K* E6，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。
' R! g8 A& O0 q/ ^' R8，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。


, y9 U; Q- Q- F" E$ |

nanimarcus

多谢各位榜爷打赏。