faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 [8 z% n3 Y+ `% o. g+ ?0 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。
- A9 `8 Y' z. i----------------------------------------
7 T( Y- U& N2 N  b5 A6 h" H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。
  O) t; w$ f8 K* v----------------------------------------
https://github.com/guillaumekln/faster-whisper
+ Z/ u/ V0 t! o% R. K) e安装如下：
! y* m- E( C9 z. b1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
3 k# S' Z' W& j4 D+ }6 y4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
; c& G& f1 M  G) c, I! K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
这是向whisper 致敬，可以不装
6，pip install faster-whisper
; t5 N# s  o- E6 }----------------------------------------
- F; C5 S1 V$ \' B) X# y. hwhisper 我用的命令行，faster-whisper 我用的是python。
7 a# `) \* A' V& D- F# q5 C9 l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：

. X' f3 w( `  b- m0 \----------------------------------------

from faster_whisper import WhisperModel
' `7 E7 T6 ~$ D" o0 P; C9 ?) h
9 z$ o& m8 y, D7 H/ |7 H; pmodel_size = "small"
8 g- ~" ^+ n" t
model = WhisperModel(model_size, device="cuda", compute_type="int8")
. K% T7 j0 |) Z% s; k
segments, info = model.transcribe(
# r/ a/ \8 f0 _% w. h6 t9 G    sourceFileName,
9 `* A& X7 q" d7 n0 H0 K/ y    beam_size=5,
    language="en",
    task="transcribe",
. _9 A1 R* F; E( E9 E0 H    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
1 @0 n  q6 |& k
for segment in segments:
2 C* h3 \9 E1 J& U4 f! m    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

9 D& a+ W  r3 O3 g6 v        for word in segment.words:
               
( W% z# Z8 {! G----------------------------------------

代码说明：
  P& ]% ^9 S8 x9 G1，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。
$ `, \5 ?- z2 b& U1 A9 t2，segment 本身是很粗糙的，做字幕勉强能用。
$ ?% ~/ W% M9 m: N3，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。
. c; G! E+ R/ v( `3 h# ~1 [+ i3 m& S5，model.transcribe 中参数说明：
  E! b9 s5 X! u( {% C4 k  T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
0 T; A. D  j! }1 {其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
3 j. |: s9 d# l' ]% ]    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：
https://github.com/guillaumekln/ ... isper/transcribe.py
6 S8 m2 w! R  Y* @152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
1 X* P8 P4 `7 s9 |, E) H  o* ^; a: ~
, B% c; ]! C4 ^- w5 z9 T% s! ^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。
6 ]2 X  o4 V* o' e7 q7 |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。

( B+ B4 @. u% W, R) }, K
2 A3 G/ V1 t3 ?* O% N, s
; P3 [9 W3 w" |# A' ]9 ~$ n& i) @

nanimarcus

多谢各位榜爷打赏。