faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

# h3 ]% J' G) n0 k
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。
" u. a7 Y# x% o3 I4 ^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。
$ O, U* E. Q9 `- Q0 ~; B* T; `----------------------------------------
4 D7 i; b4 w& Z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。
# K) k5 i7 ]% t7 ?& ]# Y; Y& u----------------------------------------
% {" n2 L+ n2 b, j+ h* [" b. @" t7 `https://github.com/guillaumekln/faster-whisper
  K/ T5 c5 M' Q5 X1 {2 Y安装如下：
1, Windows 10
! s; H$ B( c  W+ ?2, Python 3.10.11
3, CUDA 12.1
( C: g) U6 ~- R  U( K& R4, 在python 3 中安装
1 T8 B4 i& @5 ~4 u$ {" |1 Wpip 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。
6 N: |$ E: M7 U3 c: S' L" A$ H! Y5，pip install -U openai-whisper
5 Y3 o$ G; F- x) ]3 d, g% l这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
% p3 {8 r4 l( V: zwhisper 我用的命令行，faster-whisper 我用的是python。
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：

----------------------------------------
8 e7 T: ~: E+ z% e: C7 j
" r3 F/ ]( V; L, ?! |6 S' Cfrom faster_whisper import WhisperModel

: X3 ?6 g5 V0 t  ]model_size = "small"

" z4 R% N9 J+ _7 P, N8 zmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
1 g9 W2 Z: z$ c5 Y& ?0 z+ D+ W    beam_size=5,
    language="en",
; A& |+ N% l5 e    task="transcribe",
" m9 c0 ~, ]# E0 w# ^4 h. X# r5 y& v    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
1 O) u- p9 I0 }
for segment in segments:
) Q" {% B9 z, `! P0 G    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
- \+ E; u1 P. B
        for word in segment.words:
               
----------------------------------------

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。
  V3 q' C4 M: Q. h  Y; W, ]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。
- W0 s  j  |/ F# _) R9 B2，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。
% A* R7 J. D- `( V( i4，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。
; y# [, `: i  ?8 f5，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
2 F) K& ]. z  y! G" x其中
, \% Q) K; ^6 d) Y& A& |    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
; \- z7 k9 r3 \, S6 Z1 U7 v    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：
0 v5 H* S2 [2 ^6 m- p( qhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
" D& ?' W& |' n! r6 \从源文件你可以看到是支持中文的句号断句的。

/ Y' O4 ?9 l& F6 T6，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。
8 f7 O$ S2 c' \3 d! a7，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。
9 K7 `2 t$ O( x" I8 U8，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。

+ O" b% f* G0 [% \  S5 X! b# I

nanimarcus

多谢各位榜爷打赏。