faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
. Q% y$ L/ a: N9 d! _* a9 K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。
0 h6 w, K1 @) P. D  @----------------------------------------
8 L- R  j% N5 C) e8 v4 g5 q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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
$ F9 Y  \) l' b4 |0 ^6 |+ {1, Windows 10
- k- H3 _/ P1 ~2 H! J2, Python 3.10.11
1 F. j+ U5 p) o. n1 n3 k% U! ]* r, ~3, CUDA 12.1
- ^" b  v4 }7 W) B1 u4, 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。
5，pip install -U openai-whisper
1 j! X2 L6 A( e# W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。
! z: Q7 s/ O1 _. V7 m$ @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：
+ C# v, S! b. |% @2 y7 a
----------------------------------------
6 L9 h: z* M3 r; P+ Y: }! M6 e
from faster_whisper import WhisperModel
& h4 H  t& m. m1 n5 }9 ~
model_size = "small"

) s- i, r  T  \0 T7 Xmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
6 c4 N) G( @, c3 X. P. P; J) S
segments, info = model.transcribe(
    sourceFileName,
* h7 R8 X& m, F, V    beam_size=5,
7 G" B' w/ u( U  S& n    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

. M0 W0 @" \# v* M2 V$ f  Tfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
$ k+ x$ [9 N1 n% ]
8 d. y+ P6 v3 I& \: L. _, E: s        for word in segment.words:
               
6 _% t, ]4 ~3 k" [( T' f----------------------------------------
, B' d/ e% @& T4 r
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。
, K/ O5 `1 J! C5 |2 w8 z3 [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。
* Q0 r; c/ R% |& s5 J2，segment 本身是很粗糙的，做字幕勉强能用。
& R* H* }4 r* b) y3，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。
& h( l2 @7 N4 S8 v5 @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
/ V/ H# U0 ?! |+ K' @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
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
; m) M! J! M6 r  e" U5 G$ B保证能尽可能准确的断句 punctuation，但是不是决定性的。
( D. o- c$ @" \8 i0 e+ p其他参数可参考源文件：
1 h. M* L/ y2 J  Xhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
. n. b) q" x0 q+ Z( F$ d从源文件你可以看到是支持中文的句号断句的。
! z$ T. [! w) m. i
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。
& v0 }2 B' l5 J& V* I7，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。
; e! n! k1 G1 h, A; H$ u


( H) A; |! Q; j4 k! |& n4 `3 p" d

nanimarcus

多谢各位榜爷打赏。