faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

' {. c4 i- B0 u/ n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。
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。
) K5 ~! s" n8 J4 u----------------------------------------
! Z+ K/ M+ ?: f( Z" W0 q- Shttps://github.com/guillaumekln/faster-whisper
" s5 |& w; I) ~6 g9 g7 j安装如下：
# L* A7 V$ `+ K1, Windows 10
2, Python 3.10.11
- l; H* b& {' Q! s3, CUDA 12.1
7 o3 b7 d3 P! i& m+ b, z4, 在python 3 中安装
- M0 o( m- {0 W% O* bpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
' [+ m) |9 {; f* c4 r; s( [/ @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。
  D2 z( u4 B% u- e! ?5，pip install -U openai-whisper
! r* n& d/ b# H4 M4 g5 O" |这是向whisper 致敬，可以不装
6，pip install faster-whisper
) e4 S$ T# M" u* c' p0 m' ^----------------------------------------
2 Z5 A7 a+ K2 ~( Q0 ]6 S; M6 qwhisper 我用的命令行，faster-whisper 我用的是python。
3 z& V1 U2 X9 N4 [1 w9 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：
, @- x4 o+ h1 Y5 n  n. w
----------------------------------------
2 A* p. F% m2 e5 M. e) \" q. e
from faster_whisper import WhisperModel

model_size = "small"
7 T$ p" T/ |6 ?
model = WhisperModel(model_size, device="cuda", compute_type="int8")

. |8 `5 `0 ^. ^- {! z! qsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
2 q- g3 y' w% Q% u' e, V" U    language="en",
    task="transcribe",
6 j0 n/ P2 c4 j    word_timestamps=True,
6 Z" }! l4 y6 X5 S$ l$ f  v  n- E    initial_prompt = "Hello, welcome to my lecture.")
/ w+ b, K9 \* S& [9 w
; X' w2 p% ^! Dfor segment in segments:
3 e, r+ g( `) c+ ?: t3 }4 K8 k    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
7 t  P0 }& h. [. H1 B0 [----------------------------------------
0 Y- t. Z2 E1 V' q3 X, u# E
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。
% b; M) _- e0 `" \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。
( B. V6 _* c; n$ i" V6 E2，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
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：
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
# u2 S2 F! X  ^7 o    word_timestamps=True,
+ S7 }4 v8 X, a  \4 {) `- Y. Q保证了你能拿到 word，否则是拿不到的
- b+ N# ?( i# s' [! f    initial_prompt = "Hello, welcome to my lecture.")
1 {* |# a+ \1 [" @0 Z: ?$ i  t保证能尽可能准确的断句 punctuation，但是不是决定性的。
1 Z, c/ F& F' T  ?/ O3 Y7 |其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
! D* O# u/ T. T* E从源文件你可以看到是支持中文的句号断句的。

" T7 L6 u8 w7 m: ]5 \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。
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。

: x8 r+ }* E* d# V2 y3 X
! g* [! F+ R3 l0 j1 s( b

nanimarcus

多谢各位榜爷打赏。