faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

  S2 d  N" e5 Q9 S2 ^+ z
- p6 T6 s% z3 x( ]' M5 _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。
----------------------------------------
9 j! H+ M" C! h+ a4 k* ?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。
( @. u- \, \# g5 t4 P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
6 z6 V7 \* ?  N" U: d2 V# h3 Z安装如下：
1, Windows 10
2, Python 3.10.11
3 C1 ?, p/ O$ b' v7 }4 J/ W3, 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
3 M3 ^7 E0 l$ S- l0 I$ M" l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。
3 k+ x, @5 N; H/ ?5，pip install -U openai-whisper
" S0 v- Z5 m  z5 c4 U/ M/ [这是向whisper 致敬，可以不装
6，pip install faster-whisper
& M1 m0 t2 b- S----------------------------------------
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：
* @0 u1 Z. t: t# }
----------------------------------------
' Q; m5 c  k4 n0 t
from faster_whisper import WhisperModel
+ A+ ~- d( B2 r& K1 Z' n
& A: R- `# n& g& `8 X5 v2 D2 gmodel_size = "small"

: w3 c! I0 F$ u, ]$ K, l% cmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
* M4 X* h" C" d    language="en",
: J  q+ u8 J1 M* }    task="transcribe",
    word_timestamps=True,
$ B9 |' ?5 F$ |/ p6 Q    initial_prompt = "Hello, welcome to my lecture.")
5 P3 c9 }; A! t4 K
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
) _! J+ u, v4 @, g3 [7 g
$ c6 l- |2 ^, b4 X" z        for word in segment.words:
               
6 @/ |, N% B- Z+ q& s' t2 E% {----------------------------------------

代码说明：
' j; z1 @$ H5 b) K; J) `; ?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。
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。
1 H1 A- L* c) |  Q8 ~( W3，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
! ^# W( ]9 q: c" ^# L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：
, o; P8 l% g, p3 n: {- o) l1 O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
' i/ A0 d" r% R) t# D( f# w4 t    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
! W, q( c" [4 N0 B) w    initial_prompt = "Hello, welcome to my lecture.")
& D, |' T9 z1 P. u7 {9 j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：
. s9 _0 y/ a5 qhttps://github.com/guillaumekln/ ... isper/transcribe.py
; b# D+ F4 V; @6 _5 N7 U  c8 V& H152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
; P0 T1 V8 |- L
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。
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。
' d4 a% ?! G$ C0 X6 `
  p& p. P4 I, m# f8 v: b" p* G# T$ z+ d

' j4 m# |4 A: o. W' ^- \5 d9 o. F

nanimarcus

多谢各位榜爷打赏。