faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 j5 s6 o( s- I/ k* i) [
+ T8 t* Z1 F" z5 n  g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。
. x; V0 ^6 y9 ]; A) z6 d  A3 d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 G2 g% T- ?& L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。
: H& l% i' i' D----------------------------------------
( x- T& Q. C3 n# F2 Z& whttps://github.com/guillaumekln/faster-whisper
* B) F  M2 e' Q7 W3 d1 y: j8 g安装如下：
9 u$ h, `/ t' x, J; w' _1, Windows 10
, l/ v  e2 p# r5 D; Y8 B' h2, Python 3.10.11
' b6 w+ P. `0 [) F0 L3, 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
# g; ]* n7 {# U; J  U3 q0 |& Q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
这是向whisper 致敬，可以不装
6，pip install faster-whisper
$ L  g! y! C6 z. k8 r9 v4 Y4 v8 [, j----------------------------------------
# K, C/ L" g; s- i" ]4 @! `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：
$ E* @6 K8 @0 n3 {' t
) T3 _! Q8 G# {0 G; w----------------------------------------

  G; @& i2 v+ V& F* p6 c. rfrom faster_whisper import WhisperModel
+ j; _$ X9 \- y9 E
& ]+ B6 h1 S. fmodel_size = "small"
8 k4 z% `, {) ^& @8 U
( u9 W+ c4 C( W; ]. Z3 {0 Mmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
/ c( W* c' D9 \7 C- J% O7 q
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
+ e! T8 ~' ]  b2 J! z    language="en",
    task="transcribe",
, m5 M# Q$ R- T* ^* h    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
/ {/ k0 `" b  ^3 T7 g7 m0 d    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
2 ?/ N3 [+ ]6 j" e) p
$ @: x5 u7 j, h# r0 u% B( y6 v        for word in segment.words:
: J1 t0 t# {# S9 X               
+ [, v, R( @- C! D0 Q9 J$ ]; z----------------------------------------
- [* f' ]6 b1 W5 E1 P2 G2 }3 ]
& O+ j% E& H$ v# z7 `代码说明：
: m, G4 x+ f8 `7 A5 p5 N1，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。
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。
2 H$ g  u) z; A5 v  w* u* s2 I) }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。
( n6 W8 K5 B& s# K1 x4，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
: i* @, e% g8 ?; p, C: W% d比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
5，model.transcribe 中参数说明：
# w( x: I& h' I$ n! L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
3 l5 _. I+ T0 w$ z$ n    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
7 |. K% j' `! k) k) |/ h    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：
7 r/ Z/ o3 C1 _/ ], phttps://github.com/guillaumekln/ ... isper/transcribe.py
# v. [! m. R1 i6 x- D* `: n: A! h- O) C152 def transcribe(
' }* j4 `$ I. R$ v8 B从源文件你可以看到是支持中文的句号断句的。
6 {( f; }5 _1 k4 ?: s
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。
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。
& s7 j2 A% w# s2 M7 \( l; r2 Q5 j8，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。
! u- b) Z4 Z! ]! T/ N; _0 _+ l2 G
3 l, U. \% t% A2 f, I% A

nanimarcus

多谢各位榜爷打赏。