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。
8 A' p: i% S, W* b1 [! [1 N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。
- V  \+ C( F- Q+ o$ Y+ f' x----------------------------------------
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。
' W' v* x( C  \. p, k; t3 l; a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。
----------------------------------------
# D1 ~' a. \6 e, W2 E1 }, [https://github.com/guillaumekln/faster-whisper
安装如下：
- Y1 b9 H; ?1 \4 u. i6 U1, Windows 10
2, Python 3.10.11
- r+ z. k0 ?- y. Q1 C3, 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。
$ R) |/ N+ r+ }# ~& H. X; e% v5，pip install -U openai-whisper
$ ~2 d' \6 j4 }. J2 R5 G" v这是向whisper 致敬，可以不装
6，pip install faster-whisper
/ J$ ]. v6 H+ f' P9 H% h----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
$ j& A4 b3 K; i3 D7 r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：

6 G) ~6 X0 w; Y  p1 A) \----------------------------------------
6 F( J( q, P' l  L! {
from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
' s2 U7 R( g$ n. Z
, b4 F, K/ h* x- p2 [segments, info = model.transcribe(
; W6 f' }. x  l1 \    sourceFileName,
+ Y& j4 l! E) z! y. a, z* F    beam_size=5,
3 B% Q7 J1 [0 v    language="en",
1 v, X' v9 X9 J1 z/ H) K3 Y    task="transcribe",
; Z/ k. S) H0 V% P: `, v" y- j    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
, e! v, a1 y: {, c' Y; u
        for word in segment.words:
               
6 ^( u" M8 y$ L! P* p0 \----------------------------------------
1 C- t, ^# e2 r' }' p
2 l7 w9 s; v5 ]* U6 j) }- Y9 n8 t$ q代码说明：
, l# T& Z8 o% M1 M2 X5 d7 j1，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。
; U& D' l  X4 v0 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。
  `; |8 j; d' W$ O& ?  g; n! d2，segment 本身是很粗糙的，做字幕勉强能用。
: L0 A' j# D) }7 U3，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。
: s7 k, z! P' O; K4，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
3 [3 q8 Z) H; Y4 p$ r/ m; ^3 e比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
, U1 `7 Q, C4 p! c7 a/ F" ]5，model.transcribe 中参数说明：
1 F1 r" c0 I$ c  k/ ^+ c9 A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
; @! @: X- W: _0 d$ {其中
5 w" w, `: V. Z1 x. M    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
- K4 ~1 k2 U6 D7 j6 ~  {    initial_prompt = "Hello, welcome to my lecture.")
- V+ U" U; E/ |9 j& j; a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
& [1 M/ I4 G7 m/ Y) n+ p, k152 def transcribe(
, R7 R" h% z+ m, s- q! ]从源文件你可以看到是支持中文的句号断句的。

6 I  N2 a: I- T$ R" q" p6，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。

) J9 y" T: ^' y0 q$ y, l
' G% d* T' x  Y% T% ^2 A7 m

nanimarcus

多谢各位榜爷打赏。