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。
' s- _9 ?0 T/ [+ Z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。
% q! [9 C0 P8 ^8 u& M$ s- J- S& ?----------------------------------------
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。
) O$ }4 W& a* d2 {: T  a2 ^0 b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。
----------------------------------------
2 C6 O. ^+ A8 `' l5 lhttps://github.com/guillaumekln/faster-whisper
) R3 x3 D, ]6 s- R( F& O) P2 h安装如下：
. N- }3 b. B! S2 d1 C5 Q6 J1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
  ~5 t9 `9 H0 T7 D) ^$ lpip 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 b0 c6 e5 O8 G4 E4 c4 G+ |5 Q& F这是向whisper 致敬，可以不装
  j" P$ z* d2 [2 O3 a+ A- I7 Z2 Q6，pip install faster-whisper
----------------------------------------
) ]' B  o. `' m' |$ l: |+ m  O0 Kwhisper 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：
: U) H( d$ n3 ~9 }6 C* T& k
----------------------------------------
; R$ h% k4 w! c4 u
from faster_whisper import WhisperModel

model_size = "small"

0 S8 M/ t6 [( o  C; s, mmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

) \- t* g* D& d1 ]segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
" X3 P* l: h7 \; p, ?- V    language="en",
    task="transcribe",
( t8 ?1 N0 ^; R4 i    word_timestamps=True,
" _& r1 L) j' l7 f+ s. U    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

& d  V& a. o) e        for word in segment.words:
               
----------------------------------------

代码说明：
1 A- J' {+ H& H, B1，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。
' ~3 ?$ U: v& u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。
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
7 @) Y7 I& R6 s比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
- T3 L5 _6 j1 q5，model.transcribe 中参数说明：
, A8 l! E- N+ w6 @$ Q$ K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
    initial_prompt = "Hello, welcome to my lecture.")
5 S7 z  V& o6 B4 l- c5 Y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：
. A8 M5 K7 r. C. z9 a/ W- Bhttps://github.com/guillaumekln/ ... isper/transcribe.py
# X# i: }" W4 X' q( `  X' C4 b3 M) @! M152 def transcribe(
9 w6 l, p+ C0 Y从源文件你可以看到是支持中文的句号断句的。

8 Q. W& m* R0 _$ y( X6，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。
( s& E7 B+ M+ F) \; h7 P7，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。



+ s4 K: C" |0 |" M4 V2 j' G4 i$ F

nanimarcus

多谢各位榜爷打赏。