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。
: {) e" e+ t! d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。
----------------------------------------
$ }4 U; X* [( X1 g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。
, I( A' w' p- }9 D. ^, F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。
1 u5 ~4 b; T5 {! x0 H6 ]----------------------------------------
https://github.com/guillaumekln/faster-whisper
$ a+ H. M/ T* Q5 U安装如下：
; ^" s  [) P0 \( J7 K1, Windows 10
2, Python 3.10.11
6 d4 m+ w" g# U% r0 I3, CUDA 12.1
4, 在python 3 中安装
3 D2 F0 Y; H1 Vpip 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
: F5 O4 C5 I/ W- `) p3 ~这是向whisper 致敬，可以不装
$ J0 r/ u, W- {6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
+ K# Y3 e# L) g' c0 w* _6 q1 G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' N) H; Z/ M$ {! x
7 E' `; X) O( Q5 k  M+ w5 ?7 K- `1 ffrom faster_whisper import WhisperModel
- S; e" u% S; Z) h' L7 @$ s: h
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

1 L& |( ~. U% y+ A0 d' j3 c6 @6 W- Nsegments, info = model.transcribe(
& H, N* n2 v$ Y! G    sourceFileName,
    beam_size=5,
$ w3 t" X' N7 l5 q) f, l    language="en",
    task="transcribe",
* N1 x8 m# V0 O, J% l7 z# A. R! ~    word_timestamps=True,
. u5 C- [! E5 A* f- A8 m7 ]    initial_prompt = "Hello, welcome to my lecture.")
/ l0 H+ S- a& k& w" D7 B  O
for segment in segments:
' ~6 {+ e% k* F8 q    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
0 {! ]* G& ?# Z% {& O
- Q  z$ X2 q1 m0 M; x+ z        for word in segment.words:
7 c6 i/ R9 w3 j6 W! x               
# {1 |4 U  O3 f/ Q, B----------------------------------------

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。
# ~  z1 P  x* N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。
& c* n+ T1 I' O2 Y' O2，segment 本身是很粗糙的，做字幕勉强能用。
& n; P/ \' D& m% Y0 o; q; k; d+ a2 o3，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
6 Q% @8 |: I# 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：
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
0 o) z- [  D, f# y. i# I其中
+ R; V. Q3 `; p& Y4 @, Y    word_timestamps=True,
" a( }. s1 g( W  A# T9 G保证了你能拿到 word，否则是拿不到的
+ i8 |  `6 b/ l9 n3 z- }    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( P+ j2 T! q  {9 R6 V. f0 `$ Chttps://github.com/guillaumekln/ ... isper/transcribe.py
, o* T, |6 P' Z6 ~0 D152 def transcribe(
7 d/ I$ n1 q$ X) t# ?, K0 I从源文件你可以看到是支持中文的句号断句的。
/ P5 q7 X& e- W8 ?9 }. P( N
! y4 y8 o" k9 {( O) j6，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。
2 \6 \5 _$ L4 L# p" W7，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。
3 V5 V6 h5 x! F& c, I5 }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。

nanimarcus

多谢各位榜爷打赏。