faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* @, s4 A9 n" e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。
3 a! ~6 x  B3 [5 v% e5 m, U3 x4 y" s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。
8 p4 R) ~6 U) i( u----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
( Q" j& P$ |3 ]5 c0 y3, 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
% X% \1 t! E. v1 p4 n' j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。
" U7 P2 y0 D; b5 e% C# M" D* t5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
2 r" J8 a7 g/ `+ F7 O' }/ _6，pip install faster-whisper
----------------------------------------
' ~2 k2 F% K' k3 W( y* u8 {whisper 我用的命令行，faster-whisper 我用的是python。
# O6 E* X. v, P2 q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：
! C3 v5 G5 d6 ]- ]( {2 Z1 c% Y
----------------------------------------

2 |: O' F0 ^, L3 C( S7 Afrom faster_whisper import WhisperModel
6 O/ I# B: |  T7 T
8 |0 m' e/ }5 X+ ymodel_size = "small"

; \+ F" c; w( r1 P# y* Q4 N* J5 u) Tmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
& M# }& @, H5 O! P
segments, info = model.transcribe(
    sourceFileName,
/ n3 t* T) G' @' [$ k    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
5 f) z" Q# P8 L1 e2 V  Q    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
! L. S3 F0 t2 I' o% l3 {               
, H& x0 ]2 d  T* ^----------------------------------------
6 F4 t3 R& n+ P) e
7 c. E+ \0 j. }3 e3 C9 \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。
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。
1 D) ?. C/ g( F- M' J: r2，segment 本身是很粗糙的，做字幕勉强能用。
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。
2 b( \. x" ?" m4，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
; D* j: w" g; N% O$ B6 t比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
9 |; f. K+ Y! V4 f1 t0 p5，model.transcribe 中参数说明：
( S0 Z$ V' A. V/ ]$ y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
7 |9 ?) Q% [* Q6 W! W其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
7 N8 L" O5 d$ |* q    initial_prompt = "Hello, welcome to my lecture.")
* F) j/ A! d$ ^* O; O* ^; Q9 a保证能尽可能准确的断句 punctuation，但是不是决定性的。
  D0 W% S; G' K4 S! l$ J  k" x& m  w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。

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。
4 t+ l: l+ s9 {( s% e7，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。
! Q4 K7 [+ E. u- u5 U" t

4 _+ {' `5 p" E6 z4 k% Q$ B

nanimarcus

多谢各位榜爷打赏。