faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

7 L6 p0 r, o) ]- ?( j- r( z
# x/ H% P" V4 O) _: n# W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 b- U3 C2 L" b( Q' ^# m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。
----------------------------------------
0 S" r3 ?. p8 |& Y! q5 P1 b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。
$ @8 D# A* }- ?" C; 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。
8 p% J5 e8 ?2 |$ u# l' [5 \----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3 V0 u1 U* ]  U; ?4 M3, CUDA 12.1
4, 在python 3 中安装
& l+ Q' I$ o' g- @8 u8 |pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
# G. g! V1 }( b5 C5 m* }) q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。
1 _+ V% s2 r6 P* v* z; d% H: D1 P5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
- j' X2 C4 j. R8 H  `9 m----------------------------------------
- T$ [- [: p. n( q, wwhisper 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：

3 ~2 B% k; j. g* m, V  L----------------------------------------

6 ]/ s* h9 l# ~1 q9 O& o& u, Kfrom faster_whisper import WhisperModel
% p7 K3 \0 p) i9 {- E
  ^& N0 Z: q* Wmodel_size = "small"

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

2 s" n, X6 i! X# E( isegments, info = model.transcribe(
* X# G+ F6 c* z4 ^$ ]    sourceFileName,
# n# h; j- [2 D    beam_size=5,
    language="en",
5 _5 |! C# }4 p    task="transcribe",
    word_timestamps=True,
( G! v* A  {' |$ M6 R" a- H% m: p    initial_prompt = "Hello, welcome to my lecture.")
; r. u" R* Y: A7 ^
+ r8 B4 W) W* ffor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
4 |3 R& z* N. r2 B               
----------------------------------------
$ ]7 a! D9 y9 d) o
: @2 h8 x3 ^* o; O- H" @1 ^! u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。
! A4 D0 |2 P; I) u( U" Y% }+ `: x- v2，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：
* u; G+ t1 q- W* m6 ?% l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
$ r6 Z8 e. C2 w5 P, p# e其中
; M# j- e8 a9 _$ Q+ {, I) B# u    word_timestamps=True,
5 J/ ~1 ?! N* G1 m/ t6 y保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
9 d& Z5 _% ~! n. M* |/ M* D2 {. c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* r3 V/ F+ h/ x6 \2 U! ^https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
) P5 {- e$ _; T! g0 v2 F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。
8 J3 }& {. \2 e/ ]  u8，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。


4 L% m8 j- R6 k/ c

nanimarcus

多谢各位榜爷打赏。