faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

/ {2 r3 e4 P  T6 ~6 o9 J8 b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。
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。
----------------------------------------
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。
. W9 _5 w1 y- |. ~: F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。
----------------------------------------
# f+ J; R0 X) t# z5 vhttps://github.com/guillaumekln/faster-whisper
安装如下：
0 P9 a( @- r+ M1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
& M' [' P! [/ z, a! y0 m- s' Jpip 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
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
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：
) ?5 \$ P" x! j' ~
----------------------------------------

from faster_whisper import WhisperModel

1 o! Z# ~/ ~( [: K; R. s% J& jmodel_size = "small"

7 h: f2 _+ d! W: y% q8 |model = WhisperModel(model_size, device="cuda", compute_type="int8")
4 I; B/ Y( {) G- U7 V' _% E
segments, info = model.transcribe(
3 B/ {1 o# E; b9 o8 D* t2 G/ \" }% z    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
0 X0 y  T0 J5 Q- ^' V
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
6 a- j' y6 R; e) ^
        for word in segment.words:
: W" L3 U4 L% O& |- G. j5 F4 g8 }               
----------------------------------------

代码说明：
, P; V# o9 L1 T; a8 o1，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。
* T# Q5 N: G% U6 ~2 A1 X6 p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。
# J6 O% e- z8 G* W7 {2，segment 本身是很粗糙的，做字幕勉强能用。
# h% a9 a! V6 |% N, d2 K# E6 O* 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。
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。
6 }* G3 j0 W4 @5，model.transcribe 中参数说明：
: Q$ P( h2 }) d6 K1 Y3 f) 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
$ I: S; {8 g5 |* ]其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
5 Y9 A9 o$ X8 p% k* ]    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。
2 t* q  a3 R8 i* I& g其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
) H/ u: G, W6 |6 m
7 N# f, A$ k/ x6 T6，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。
) a0 ~5 A0 e9 E+ k( ?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 _) i( b# o3 l& q6 B" m8，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。

nanimarcus

多谢各位榜爷打赏。