faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

( F  X6 @  e% m4 n  L: v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。
' r+ W. b2 j$ x& u& l7 q& s2 T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。
* T" ]1 q) h& ?8 [% M% T: a----------------------------------------
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。
: O! a1 ?, Z- 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
安装如下：
6 j4 ~! X, X& n8 Z/ G: W3 \' j! a1, Windows 10
& P$ J5 O  p9 r/ z) J2, Python 3.10.11
3, CUDA 12.1
% J* Z* S1 ?6 F  b. t1 o4, 在python 3 中安装
3 _8 C; N/ o) s( Npip 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。
% `+ c* P: T! B# ?! |8 V5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
# D* B0 Q) _  O- u2 g----------------------------------------
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：
( Y& Y1 x& d5 j. Z6 k: p1 k
----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
3 x; C+ ~2 T0 M2 Y( |$ \
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
9 C' z. w" b+ g    initial_prompt = "Hello, welcome to my lecture.")

$ T# L, m2 r+ }+ N: G# ufor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
5 a" _/ Z6 K" Z9 t9 h* J5 c
+ L2 W3 E3 w/ K% e( ?, U) `6 W0 A        for word in segment.words:
. _) h# t+ @+ h" U: d% k. i               
----------------------------------------
# z  p( T( m& B
; U$ J" U& d; @" M代码说明：
4 `$ m4 ?8 i3 Q$ U/ z& n) v1，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。
, \/ T) f) J# i' f. 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。
- p% ^) w' \- V/ p4，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
% i6 Z  `& u! b; ^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：
, n2 y( M" T" W9 _- @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
4 Y  |) k2 D- W. k, H7 V, [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。
/ q( g8 c0 W& i+ w" C  o  H7 q其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

9 E/ Y. w' e' |' l* K  ^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。
( p2 N) q  C5 _( T( C2 H8，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。
/ p. T6 i8 L8 q  N. X7 G4 A6 N% p2 z
3 T- [5 E! J$ ]/ I1 f! I- {  i  m- t
- ?6 M5 Z# k+ y) I
) w, m$ K: F" H0 c6 s

nanimarcus

多谢各位榜爷打赏。