faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

  e+ d6 h. |2 c& f  p  m
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。
) \/ z" ?7 c% n- w7 c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。
$ Q9 s% p8 {2 B( S, f) `----------------------------------------
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。
9 T) }; g' }1 }- Y& R, B3 P  Y4 X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。
  p5 e* n; O$ t( X- {: K, Y* M----------------------------------------
https://github.com/guillaumekln/faster-whisper
% k- z  I6 ~7 @7 L6 c" |3 M安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
" H3 |. q$ H3 X4, 在python 3 中安装
+ |7 `% i$ n3 h. D0 [  K: kpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) [; l5 `7 P" r) ^+ h2 ~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。
) b9 g1 o( i1 w$ x3 H2 s9 g5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
$ I* n2 ]3 J* J----------------------------------------
whisper 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：

----------------------------------------

0 K" K& m8 y& v+ ]0 E0 ?/ I+ Lfrom faster_whisper import WhisperModel

model_size = "small"
# `1 m+ T. `' C' W
6 z2 @; L, R* A# P% Gmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
2 r2 T! t+ A; F6 `- P
3 c! r. V4 h8 ^6 u" C. I2 @segments, info = model.transcribe(
% d1 k% s, [9 S0 J5 _/ O. C/ |6 \* w    sourceFileName,
    beam_size=5,
1 ]- A4 y% I% y- y1 q- K6 k7 j, J    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
( M5 ]2 [1 J+ g& x" q; ]! \    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
& a) C/ X9 r+ c
        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。
5 |- A" D8 W/ H# P/ B+ y  v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。
; j3 y: M, d. L. O# n+ ]. s: j3，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。
- Y% m7 m& K  p  O0 {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
8 ?" T+ n9 p. v/ I比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
- r. F( p  ]! r& M0 u* E8 W6 ~# F# i5，model.transcribe 中参数说明：
7 P; u. M0 O( j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
) X1 P9 }' L- H3 q8 I. T    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：
6 R6 H9 }$ r; ?) r& m  ?+ N) q3 p! ^https://github.com/guillaumekln/ ... isper/transcribe.py
" I' l, `3 B) M$ t" M. s152 def transcribe(
# m, T2 }' B+ O. p# @) _+ {0 l从源文件你可以看到是支持中文的句号断句的。
# ^0 e$ Z( A! o0 Z  J5 ]
3 U& Q. c& N& S. r! }& H6，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。
1 L% s5 P# B5 |" k) B. L8，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。
) [0 r* s: Z$ Z) r4 S

, T% k9 M) Y) j  a6 `6 ]

nanimarcus

多谢各位榜爷打赏。