faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

) B. H1 W2 G8 `9 S- |: M6 Y
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。
----------------------------------------
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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
' L& m4 T+ B9 X  E, w2 p- a4 C1, Windows 10
2, Python 3.10.11
1 R4 ?" k: y* J. J% D3, CUDA 12.1
4, 在python 3 中安装
1 a  B6 E$ C& u! rpip 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。
" W3 S7 @4 \& L0 i0 R5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
: K. W# \. n" u6 m; v1 N6 N6，pip install faster-whisper
% N) D& \; ^9 _----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
1 l* y, n( M; y. l; `  v3 {; O# k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：
9 B3 U" G& p9 l  \& x
----------------------------------------
3 W0 b- g  l8 }% R
2 b& E" q& ]& i: Z# lfrom faster_whisper import WhisperModel

9 r2 ^  R$ o; M0 smodel_size = "small"
/ J7 }- v) A/ z/ b# n. S+ b* k
' l* Z$ _: z2 f) j0 u* m$ bmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
; A) C" G- W% o$ e  {    sourceFileName,
2 U; ~" c5 i! Y4 o/ V9 v    beam_size=5,
6 g* v  i$ G- _. O; F    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

4 q. |9 z& @4 A) k' k- k( Dfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 h7 y7 v5 X: V& Y
        for word in segment.words:
               
----------------------------------------

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。
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。
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。
5，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
( D: U$ t  e1 F: H, k& u1 Q7 X$ a    word_timestamps=True,
3 S" D4 w1 D+ t  S. {% r: d保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
- X' A8 t4 V! p* ]& V5 r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：
; e, ^( i. K# Z7 O! `% q* j" m; q! Ohttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
% e  q. {7 \7 H* G, W1 I3 C从源文件你可以看到是支持中文的句号断句的。

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。
  g1 Y3 o9 q" V/ u* O: f7，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。
# \$ X6 ^2 ]/ g) c8，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。
# \2 z6 i) L$ Q7 z- j) ~
& D$ c7 v; ^# b: S% l
  D+ C" _9 r8 [9 f' G' T

nanimarcus

多谢各位榜爷打赏。