faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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$ m; F0 l8 k7 w& q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。
----------------------------------------
+ L* ~* N; P# o4 F3 q# f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。
1 b" o+ P8 s  s5 T& \' M8 f; O& J3 G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。
----------------------------------------
' G. m3 W! B* z3 T  {7 Uhttps://github.com/guillaumekln/faster-whisper
! S. A8 w9 w. }+ _/ O安装如下：
1, Windows 10
2, Python 3.10.11
7 {7 D5 U; A' g3, CUDA 12.1
# K# v# y) l, w8 [% P3 R" w  \4, 在python 3 中安装
pip 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。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
2 f. F) h6 F) V4 Q9 m6 y" _. A4 a1 d8 B6，pip install faster-whisper
----------------------------------------
- k6 z; _- E/ R2 c3 wwhisper 我用的命令行，faster-whisper 我用的是python。
( `! O( i8 W; J- @3 z7 r  q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：

& B) J- }2 M; }' T  G, G----------------------------------------

from faster_whisper import WhisperModel

$ k6 H* T' J  M3 K! m2 s/ m' zmodel_size = "small"

9 `; x! K" T. |) _8 ]0 g9 ]7 O- vmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
$ h& b( O( m* Z! E! _* D
segments, info = model.transcribe(
    sourceFileName,
7 @( P  Q+ B% [5 w" }    beam_size=5,
) [4 }5 T6 s, X; l# _' F    language="en",
    task="transcribe",
    word_timestamps=True,
# \7 V1 x7 c8 l/ ^4 ~* n3 w* u0 L( F- }    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
5 H5 ^4 L7 _: T9 J$ F    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
& J/ l2 T" H4 ]' Q- n, P
1 @3 N: N+ I5 H        for word in segment.words:
               
0 V! k  Z& q. z2 J----------------------------------------
0 q8 Q2 `* a2 T8 a5 `
# }( I9 B7 V6 T! x1 L代码说明：
2 X( K) r: C% d) ~  j1，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。
- V3 D1 E+ M. q4 G4 r: s2 d9 T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。
- j' ?7 w3 ?, u5 J1 C2，segment 本身是很粗糙的，做字幕勉强能用。
$ j5 W8 W0 O3 W, E  w& [8 x' 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。
0 F) }4 e. r$ k4，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
$ P) q4 V6 o2 s$ V比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
- D& C1 E9 U6 w9 c5，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
' c# k+ }' [. \- h: l" b    word_timestamps=True,
' D& b! P3 }) j! I7 }; d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。
其他参数可参考源文件：
! t$ @, G0 N1 R( N2 d& Vhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
. k8 f- d8 v5 i) u2 V3 b7 C3 k% V从源文件你可以看到是支持中文的句号断句的。
. ^+ v9 A" E8 V5 ~  G
& y% `, T" s: x7 j* O+ B6，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。
! z' d+ ~& |3 M8，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。
3 H6 `1 W* P4 |  b' H$ F

nanimarcus

多谢各位榜爷打赏。