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 H5 \. P3 X% E5 B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。
1 p7 x, E' @2 u+ f----------------------------------------
6 V( C8 x- Z) V9 d: r, v9 v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。
/ H  J1 ?# [5 u' i* S: B( L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。
% R) P$ i- a+ Q. f----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
5 P5 B! [5 I0 l" {7 [+ d& C0 {, N6 O1, Windows 10
2 y. X: L$ k7 H2, Python 3.10.11
3, CUDA 12.1
- B! k0 G$ b: M4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
% ?: l% m- N+ E9 E* T8 X$ u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
' Y( `5 Y* `2 s* a( ?3 z这是向whisper 致敬，可以不装
# z  l; J; X; K" s( P6 D  q6，pip install faster-whisper
----------------------------------------
' N, r" y; c8 J( c# b( z! H/ y* hwhisper 我用的命令行，faster-whisper 我用的是python。
9 C# t  W% i# P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：

----------------------------------------
# w2 h' R% z  j, I' D/ ]- C% Z" @2 ?
5 x8 u4 T- K: I) Z2 y* p3 Ofrom faster_whisper import WhisperModel
1 U7 N4 L! G1 B
model_size = "small"

# M& Z/ p3 G. }4 L: [! X9 mmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
2 [/ U4 @6 `9 [# u% ~
segments, info = model.transcribe(
    sourceFileName,
& Y; n- w: d* H" K5 \3 H1 ?' @    beam_size=5,
' W; S* z! ~2 @$ a$ K0 d0 `, `    language="en",
. [' v- d- D" a7 C1 Y  G    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

( S: {2 W; S1 l" T6 E, Pfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
0 `1 P. K  w. O4 }1 a" R+ D----------------------------------------
+ t# O6 X' {! u1 B- ~
0 M- H$ A* \5 O$ N0 ]代码说明：
/ b6 s6 I5 I2 I- W: p) O0 t1，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 I6 E, f5 h1 U+ f9 G" `& M/ t, \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。
0 Z! V: l% j3 P) s" V2，segment 本身是很粗糙的，做字幕勉强能用。
& s: [# L  `9 G* {2 `' n9 r3，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 O3 g8 B5 _+ t# ]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
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
8 p, j- k5 l* b2 ?0 w0 \6 s5，model.transcribe 中参数说明：
3 @5 Y* z. d+ J) Y/ ~6 D& I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
, d0 G  ]9 K6 F+ _7 _    initial_prompt = "Hello, welcome to my lecture.")
) K+ k4 i- S+ A1 W8 n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：
3 M9 Y+ p) L8 z# a1 J* V' phttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
$ d- \1 r" v: I8 `从源文件你可以看到是支持中文的句号断句的。
" {- j: ^( r9 t8 {  M
6，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 F  _) s: _* ^2 f7 N1 K& D7，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 }9 ?9 p6 K3 p" Q, V- s8，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。
) r" F% ~" ^2 s' o5 c


7 k) s4 E1 H, p% k( U

nanimarcus

多谢各位榜爷打赏。