faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* m- s6 k8 a: ^1 M- M
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。
1 H* b6 ?+ [2 J9 P----------------------------------------
9 g# b$ ]* K3 }/ n# V* L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。
----------------------------------------
; }" R3 |5 F8 O# r) {9 U0 p1 O; mhttps://github.com/guillaumekln/faster-whisper
( `+ j3 O6 c5 w3 |4 \/ y+ n安装如下：
; h; H2 C+ v7 Y( r. z: P, u1, Windows 10
* Q7 u/ D0 a# X. [/ L2, Python 3.10.11
/ x$ t1 Q& j$ e4 L- H' s: h" ^6 P3, CUDA 12.1
6 P: z5 ^/ e9 L  @# O3 W: t: x4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
( I- O* V, T+ L5 e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
+ x, u/ G% b: z; \2 X4 \- F这是向whisper 致敬，可以不装
  n4 g4 V: H: T/ F+ a, ^6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
: q5 M+ o. |1 N2 }; F; r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：

' G" M6 d, |$ |4 ?+ g----------------------------------------
. I' ^' a+ y- m5 f
$ g' x) E; L2 k$ B; r  }from faster_whisper import WhisperModel

& M/ _5 x  T1 s3 m4 x& u9 Tmodel_size = "small"

! ^9 p6 w8 H) j& jmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

0 P+ \' m5 E. E; jsegments, info = model.transcribe(
; ~( Y# P/ I. v  V    sourceFileName,
5 c) o; g: q8 h* o& @# C, c: O    beam_size=5,
    language="en",
- [2 l1 i1 y2 p: \3 N& j  c# _, i    task="transcribe",
    word_timestamps=True,
5 A% Y4 e' G* y    initial_prompt = "Hello, welcome to my lecture.")

5 F8 v9 v. h; j) d! g5 Pfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
% S+ Y) c9 e, A/ h# o
        for word in segment.words:
( `- y5 u6 j0 s; ~& i               
& }3 l% K- P: C8 N9 e( K, Y9 P4 c----------------------------------------

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。
2，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。
* L8 l  _8 |3 M4，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：
1 C+ ]1 Y7 E! {2 a, B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,
0 T9 ?! l9 b- m( g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。
其他参数可参考源文件：
0 M6 {6 a6 ]! G, o# Y0 p% a# Q, Dhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
+ S; a% X/ `- j) Y! |$ Z$ p0 |: ?从源文件你可以看到是支持中文的句号断句的。
% q3 r7 q3 t9 q
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。
0 A) i0 i/ Q; ^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。
5 N9 p8 _5 e3 I$ [' C$ d


5 ]% P3 p' N+ V  q1 I$ ]0 U( x: B

nanimarcus

多谢各位榜爷打赏。