faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

' q" T' j) P1 I) T
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。
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。
+ R: V8 l% K4 @: ?& ~7 {* E- S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。
----------------------------------------
/ {* ~; h1 u1 v' ?7 Khttps://github.com/guillaumekln/faster-whisper
% p; K7 H5 N8 A" P, m; l4 ^安装如下：
1, Windows 10
) m/ @$ b, E  T+ u6 ]! p) J* s2, Python 3.10.11
6 X0 C/ X& W4 c% i1 l/ u3, CUDA 12.1
4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
9 W: Y) J( l% J7 Q8 m3 j9 c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
& h" J, v& C# t" L4 X: [这是向whisper 致敬，可以不装
6，pip install faster-whisper
- d9 H6 p- U+ v* A* b----------------------------------------
6 a1 W$ O8 o; Q$ ~& ]! `) Dwhisper 我用的命令行，faster-whisper 我用的是python。
# j- Q/ p5 W, M4 U2 Q  J# C& I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：

+ q; M% Y9 c4 u! }/ f  g7 C; K# l+ B----------------------------------------

4 U! P% W  u. o+ `: ofrom faster_whisper import WhisperModel
$ \) `9 H* t2 X' O' D+ n: y' p5 D
& C* z" g! g; K+ F8 u) E" D" g6 Gmodel_size = "small"

; h/ B1 e0 `1 S" \6 Mmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
* G- u. q9 d  @6 K+ p: n
8 R% Q" C+ F" z. s4 hsegments, info = model.transcribe(
    sourceFileName,
5 t, p0 x* O  }1 r    beam_size=5,
* \9 z/ R5 _- g; `    language="en",
8 B: Q! Y7 I; m& e) P$ R    task="transcribe",
    word_timestamps=True,
! [( g( G8 O' ~# G+ C9 S7 e    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
6 o& y4 J2 r' U    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------
3 Z  M' k1 X* F! {+ h( t+ Q
代码说明：
! R8 M) M9 V* I4 S1，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。
. f& S/ s0 Q- Q+ _) g1 t+ ?2，segment 本身是很粗糙的，做字幕勉强能用。
. G+ w# Z4 c" ?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。
+ }9 m( C* S: C0 {9 E4，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
# i. P2 I5 i6 D( 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。
# Z3 H6 i0 u1 G+ J5，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,
, }8 {7 c$ d& U' n保证了你能拿到 word，否则是拿不到的
! J) k: \$ s; X$ i& s    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：
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。
( J0 d: d, ^! L' G: h& \0 w
/ w$ J9 x5 f3 b- U6，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。
* L0 @7 _) S7 r5 f" }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。
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。
& _) u0 l7 p0 `. F( L

$ |. o) h* M2 ?/ u+ s

nanimarcus

多谢各位榜爷打赏。