faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

- ^; b; c  o+ ~# {6 S% A  `1 D. Z; |2 o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。
----------------------------------------
  p! s' ^( l( {6 l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 G3 m7 ?$ F  Z/ n8 j) N2 q----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
( L( p) a0 A+ E$ ?6 A8 {2, Python 3.10.11
: k, n8 ?2 Q+ z5 Q0 J7 S9 x8 B; O5 s3, CUDA 12.1
$ A8 e" X: F- g2 X4 |9 r) `) b* a2 `4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
3 Q: L$ K* |  `% D3 O6 C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
) g8 e0 A$ B! f" U9 ~这是向whisper 致敬，可以不装
6，pip install faster-whisper
+ [3 a: q5 o5 @' Q# B----------------------------------------
8 ]; v: @7 T( u6 n! h+ M0 twhisper 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：
: e( P6 }# t; J$ Q* L, t& o. t
7 D( C& g9 r) c7 J0 }/ d) I, `. T, Q' z----------------------------------------
/ E! z1 z7 |0 u( o* A& I
from faster_whisper import WhisperModel
8 a# V0 z$ Z- k3 n3 _) T) V
1 ?3 z) H. c7 r% hmodel_size = "small"
3 g5 G3 M2 l: o) H( J
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
- O  v0 E5 L: A, d' }7 O    sourceFileName,
  I  A" ?/ R. \" |1 U    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
% D* S% W' y! D, t* V+ v
for segment in segments:
9 Z/ B; t) n( ~0 D( P    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

, \; C/ s( ^. ~) t        for word in segment.words:
9 `9 B4 V. r' O" D! {0 p3 O# F; i               
7 r5 O" i2 b  ?, T; @----------------------------------------
. ^) B8 e. q9 h2 T1 l4 D8 {$ D
  D7 C( Q7 ]. q8 P4 U代码说明：
/ d8 }* o* y) n, u8 A' c* P6 n1，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。
( z& g( s. }% z( ?3 G4 S5 ^. p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。
$ x+ I  p( z1 s/ j1 w6 M2，segment 本身是很粗糙的，做字幕勉强能用。
2 A& j" O, o/ N8 U2 b5 I$ v3，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。
- Y! w: [. y2 P: d4，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
7 o" G1 h1 O. R7 {0 P+ {1 c! R2 j比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
+ f# L! A! a: V$ H/ c: b. f' t5，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.")
保证能尽可能准确的断句 punctuation，但是不是决定性的。
1 Z0 r( \3 |' |" c- L- s+ o+ W2 }其他参数可参考源文件：
2 v* j/ G: ?0 \& e: m+ z1 e2 Ohttps://github.com/guillaumekln/ ... isper/transcribe.py
7 O9 U) [" Q: ?152 def transcribe(
7 @6 U* A% {4 m从源文件你可以看到是支持中文的句号断句的。
" h. q0 E. n, g6 s" g
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。
. ~$ x0 e, v  m$ H8 @$ d: d3 S, S1 z6 ]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。
. D& E* _& V$ f: k) l  L1 t" _. O
+ P) k2 ]. n: d" ^5 z1 w
- s& F0 g2 c6 G4 P4 g& v3 h, C
9 \1 \+ u/ {; M+ [

nanimarcus

多谢各位榜爷打赏。