faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

# y8 q+ t4 Y$ o8 M
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。
5 N. S5 X2 F+ n----------------------------------------
. M- [9 J+ q% p% w. M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。
----------------------------------------
" P: }) D5 F3 }9 ^1 e7 {8 Ohttps://github.com/guillaumekln/faster-whisper
% D2 K4 n4 n( }) W3 ]安装如下：
1, Windows 10
2, Python 3.10.11
3, 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
8 m% m: a5 I2 U4 V# }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。
, y' _' X' S9 G# O5，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：
  m* c; f$ ~" w, s$ R
7 h+ L/ n0 M2 W( A  U4 V----------------------------------------

from faster_whisper import WhisperModel

% p9 _/ Z  k6 G" Nmodel_size = "small"
$ W$ l. Q3 }. o
$ x5 [5 s% S4 z7 _2 l+ Hmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
6 U. E- T# E' s. I9 ~2 R/ X    language="en",
  h9 E+ D- P/ }2 o    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
6 O7 c! k% ]: i$ w. x
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
3 Z7 M5 j3 S  V. m; n
' V# K9 ^2 Z  d. V        for word in segment.words:
               
----------------------------------------
0 r5 ^8 T( v6 w" K
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。
- N0 q' p8 Q. k. b. R! K+ L( ~& s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。
- w/ C+ n9 c( D9 x: C2，segment 本身是很粗糙的，做字幕勉强能用。
' X5 Y! o4 P% L8 r8 L5 ~- K3 T/ K3，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
# [; }3 [) R  j" w) Y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* R; n: P, b. r2 e5，model.transcribe 中参数说明：
8 `; P; ^$ W' d# O& u, Q  m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,
' A1 }( n8 S/ {. R. o- M9 X% K; a5 W保证了你能拿到 word，否则是拿不到的
    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。
其他参数可参考源文件：
7 K7 Q  e7 [6 shttps://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。
& B5 v# n' f: I* p; a6 h
: h% I9 G1 ]5 l% j; Q6，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。
( x- L8 K& x& b. u  H
* m' n! [- P9 T6 ~( |  q) l
0 G. c' I; {% y

nanimarcus

多谢各位榜爷打赏。