faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

. I. s7 O4 K" y) o( g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。
3 Q. N6 l% t/ H; J0 g, {, B5 f# h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。
2 w& V0 q, U, M. ~3 i, \  b6 C( ^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。
! p# _0 W' ~" Q% F3 s% D( K* N* E) j----------------------------------------
/ V8 O" }. u( M- ohttps://github.com/guillaumekln/faster-whisper
3 u5 H- i( n' ?: t安装如下：
/ W; o: ^! a# O3 E, [3 E$ _& z  M& o1, Windows 10
, P0 h8 U* K( N1 \7 W1 P9 c2, Python 3.10.11
3 |: O4 H' t& l& o- d7 i1 {% M8 y7 I3, CUDA 12.1
) V9 w/ {+ v/ B4, 在python 3 中安装
! `/ X" G$ N$ W8 \4 B5 h3 apip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
3 X) P+ r0 j3 {* R$ D/ ?1 K: t/ Z2 D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。
# ]( o- H0 O2 o2 l) Z  ?2 `5 E$ N5，pip install -U openai-whisper
+ e+ e! `/ }( s4 n! g+ V' g这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
! I8 u* X4 H% v4 k# [whisper 我用的命令行，faster-whisper 我用的是python。
  ?9 a& U/ W" S' {  ~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：

----------------------------------------
% }; ~7 m. G, \8 h2 F+ ?" a
6 H0 a$ q9 D7 qfrom faster_whisper import WhisperModel

0 M  O+ _) l+ |" rmodel_size = "small"

! k7 M- j! D8 j5 ]1 I1 @model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
9 m5 J: @0 V+ G+ A7 ?9 G    beam_size=5,
6 ]* l0 Y7 E0 r& D9 V4 ?" U7 T    language="en",
    task="transcribe",
- s' n! ^7 P( b    word_timestamps=True,
. K" F5 j" z2 l+ ?0 p; A; P8 q    initial_prompt = "Hello, welcome to my lecture.")
4 i/ O7 ]3 ~  m" C4 |$ U( T2 _6 d
) v% P* l3 q8 Qfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
8 C7 l: x+ z9 ?; a" e
        for word in segment.words:
: F( {* s+ z) k2 n& m               
$ b- Y# {3 B! s' n----------------------------------------
8 }: P9 u, ~2 F6 P* H. @* l
% ~& Y/ c; U! a" [7 b# m$ |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。
, e# J1 o6 F9 y1 N: C  o4，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
8 i+ Z  z2 N2 ~3 D: B$ I+ S+ j3 z4 D/ r; x比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
1 W9 T$ S8 g& r9 g  Q5 Z# ~4 I5，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
    word_timestamps=True,
0 _" H* j9 \6 v9 h8 I) u" u: |保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
% ~9 \7 U3 v: v6 O2 `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
152 def transcribe(
3 n: F) n6 s8 a8 F) R! N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。
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。
5 [8 x! {8 Y& [/ ^& @% D8，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。

nanimarcus

多谢各位榜爷打赏。