faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

1 M  H$ H* ]' H
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。
: y/ i+ |" B3 H4 y- R4 k8 \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。
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。
----------------------------------------
) E3 h8 d5 R; E6 ^https://github.com/guillaumekln/faster-whisper
+ H6 _% ~6 L, f安装如下：
# l7 f; j4 {! K/ w6 r  ^1, Windows 10
# `' |" m" _" N9 u2, Python 3.10.11
3, 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
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
# f1 V7 ?( y0 _- `, k0 x这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
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：

----------------------------------------

, y$ Y4 b( ~2 C" i4 B  ufrom faster_whisper import WhisperModel
: j  c# n7 h  w& z
model_size = "small"

  O) R  ]6 ~% R' e5 s: Hmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
# r  Z0 t# V" k+ `3 ~
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
$ K0 a0 v5 ^% c6 n: w8 h    task="transcribe",
+ A/ ?& z/ t8 H! z. i    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

& F  o6 H9 e. U0 }: i' ~for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
4 [2 s5 i/ z& \- n: V
        for word in segment.words:
3 P+ e% V' _; L5 d' l# l- L# _6 A9 k               
- g: K* ]' r2 E+ V/ F$ S7 C) Y----------------------------------------
* {9 D& d7 T5 u$ P: \( z
6 B# M4 W7 v1 d5 S4 N9 e代码说明：
! U' Z* Y: N" }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。
$ H" h# S* K) W$ `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。
" S1 g- C( Y$ T2，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
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：
  D" T' z" M4 F5 ^4 \  o# Y& g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,
4 {% e% d  L$ m0 |8 k% T$ y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。
3 o+ K4 N$ S6 r) Y- i其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
7 e8 I% w3 Z/ W) a9 C6 B6 G. `9 e* h152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
+ u4 }7 X9 j  h' T5 c
# L, m. r6 [$ t( v6，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。
. e4 e1 @. n# j7，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。
  y1 q! j, i" \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。
6 M, f: q9 y/ L8 m& ?
) p# @. y2 J- Q" ]. m
4 p' `7 R( b; f: ~
9 u* O- ]1 ^( ]! J8 C

nanimarcus

多谢各位榜爷打赏。