faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

) F5 O* v# c# `/ 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。
, ?2 y4 F/ e" F, j3 {' F; J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。
) R( e' j0 K$ G5 P% G( M  V----------------------------------------
: V8 D& g$ R5 D0 D2 J! i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。
3 N! ]6 @' ~' v) U% ~, C" A& l----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
8 p7 U2 l" s3 M+ A. y  K( l, I( }1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
  D% x7 M/ }+ b! a3 @4, 在python 3 中安装
pip 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。
0 `" o# z$ e3 [5 w4 R5 L9 \5，pip install -U openai-whisper
7 N& O; T0 ~: \3 g4 i: X1 E+ s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：
" G; b6 b" d6 i5 x( t
----------------------------------------
  H9 J$ b2 E+ y0 `( j3 @5 B: F
- G- g, P3 x/ T) Ofrom faster_whisper import WhisperModel

" ?7 f) z! R; fmodel_size = "small"
1 R1 @/ C% j6 Z) l4 K2 @5 {
model = WhisperModel(model_size, device="cuda", compute_type="int8")

/ g4 F9 B3 S' x4 \. v1 [& Bsegments, info = model.transcribe(
    sourceFileName,
6 }- a/ R+ V, l; P1 t    beam_size=5,
    language="en",
$ Q9 k: Q. `0 a% Q7 l6 @    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
; a+ s. v" [6 ^% Z6 x; b8 c; X    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

/ f6 B& D, a% a! p        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。
0 ~$ D( W" M1 i7 T+ G, v1 W; c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 b$ I/ R5 ?3 _2，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。
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 a0 P4 m$ ^1 C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：
$ \$ |/ O- A) w- ]& h) n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
9 l8 N$ o2 d8 {' I- t- K$ |其中
; r* e- N/ f% Q3 B  W3 b4 j    word_timestamps=True,
5 n$ h; @. c' ~( d保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
  o5 E  A) t$ L2 ~( ], W5 H# s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：
  j6 t; s3 \# t' xhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
$ Q* i- M& V6 k6 y0 J( X从源文件你可以看到是支持中文的句号断句的。

7 k5 B$ T3 s  f& [" e1 {) W, @3 L( |+ U6，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。
# b, u5 d6 q0 s5 X8 I0 h7 J2 [; D! j7，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。

* u, @5 G8 T' W) c! o9 g8 O& o

nanimarcus

多谢各位榜爷打赏。