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。
5 h1 q( {5 r) g, U8 E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。
8 x4 }  @) s; K----------------------------------------
0 x4 K% c, g- x5 J6 V& ?8 D; O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。
( S9 G% _  O% \7 e- g1 a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。
2 z6 O7 w. W, Z" v----------------------------------------
- _; ?6 k5 s% K6 J+ Ohttps://github.com/guillaumekln/faster-whisper
安装如下：
' o+ f. _1 w9 b- g1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
  {5 z1 @! A6 I1 A6 ^# W2 z/ gpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
# M) |, h& k5 N9 h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
4 n; v; q% p9 f: q% G* ^+ p6，pip install faster-whisper
% }4 Q- d9 S% j( q3 x& n# U----------------------------------------
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：
$ X" Z, o. L% j1 y0 V/ T; _6 F
----------------------------------------
! Z, l; T, |0 W0 C6 _" @
from faster_whisper import WhisperModel
  I! W. R* ~$ R  i0 y. h# a
, E2 Z" ~& K! `model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
/ u# ~! D( z1 ^2 j* G
segments, info = model.transcribe(
& b% ~- |! Z- @    sourceFileName,
4 r' Z# p5 T% C8 t( C7 i* _    beam_size=5,
) F8 j& a! K1 S9 d) S& W9 r    language="en",
. T: @: @7 |4 G    task="transcribe",
& w7 B, F6 ~& }* @$ `# _    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

8 n: [& q0 T. V. K( Tfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
) ]6 K* t: q0 `, m  e, P- S! k
2 p! \5 f0 f7 L1 a        for word in segment.words:
* r  q) e9 V* M$ ^7 E               
----------------------------------------

代码说明：
) d, F% Y# b/ _. O# b5 t1，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。
" x# @, t3 O1 G& Q. N& D0 j9 C* @0 C* k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 d$ m" n5 l9 D3 ]) j2，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
' Q$ R9 v3 ?  c; _' d- a8 e比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
8 x; w$ z8 u5 h' O5 _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
( g4 K5 C1 a* D4 K. T: L其中
    word_timestamps=True,
, b/ \* i0 d; H, B保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
/ }) c6 [4 f+ M& x$ M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：
2 |, B$ E6 v) Z, D3 ghttps://github.com/guillaumekln/ ... isper/transcribe.py
* ~6 Y/ N9 G. b, \152 def transcribe(
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。
# ~6 I; _! Y. ~6 W5 [. z7，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。
# p3 j" N6 m9 H7 ~: i7 F& X1 }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。

3 v' q" a6 a' A: J* ?5 K
$ v4 M# W' i# H  n0 y, t

nanimarcus

多谢各位榜爷打赏。