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" D" C) @4 r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。
7 [) N" O: W, `- n3 ?! [----------------------------------------
7 z) \7 Q2 P0 u6 f3 N1 X6 [, N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。
, G& x; \% S. u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：
1, Windows 10
5 E. D  Z# \" P8 z6 q2, Python 3.10.11
  r- o3 ~% ~# K( {, E9 ]5 ]3, CUDA 12.1
4 k$ N/ f. J; C4, 在python 3 中安装
2 C& m& S4 l* f! r6 Bpip 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
0 v& v: q2 q( D  I) D这是向whisper 致敬，可以不装
6，pip install faster-whisper
; O  {: g" D/ e: |----------------------------------------
7 a$ @1 |& B" G4 V  B( r7 hwhisper 我用的命令行，faster-whisper 我用的是python。
- m1 \9 i7 k% O# a! T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：
' U8 i/ j- g" d8 ^
+ ^8 g3 o: _6 z- o/ ?----------------------------------------

% @! w: b  T* ?from faster_whisper import WhisperModel
2 I2 l/ ^+ `& e; }" Z7 u' t$ W
! f6 }+ D- F6 ~3 d! [$ {model_size = "small"
$ s% n" U2 H9 L
model = WhisperModel(model_size, device="cuda", compute_type="int8")

0 G9 f  Z* X1 q6 `, C5 E# K+ Zsegments, info = model.transcribe(
- W# U  Y8 o+ a    sourceFileName,
    beam_size=5,
, F  P+ k  E, m4 O" K; I7 C    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
- k! z  P8 u" t% [    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
1 t5 c! _& v2 }' }# I& a               
----------------------------------------

代码说明：
! d7 a4 L, O5 P1，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。
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。
, q, }; O& l% P8 t5 K  `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
/ s2 V  ~4 u& f! J2 M9 ?5 q# }比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
7 D$ ~' u: R  p5 ?$ h) R$ Z$ L5，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
. H9 B, z4 V# g1 p) e: g  f其中
! a  v! P, j. T, V6 j& S' Q; p    word_timestamps=True,
: d7 ~9 G) s6 Q/ s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。
3 d" {# a, ^! B: m/ ]其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
5 i( L4 z% H' N3 F& X1 n152 def transcribe(
  v3 E( g/ f# ~0 u3 Z& ?8 V( c从源文件你可以看到是支持中文的句号断句的。

1 V8 k- B7 Y4 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。
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。
) ?: j3 e1 o) _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。

nanimarcus

多谢各位榜爷打赏。