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。
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。
% O9 n+ x2 b+ K" w----------------------------------------
+ S2 ^9 t' x4 _, O1 ^+ A. k4 J8 E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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
* y' ]9 K. R0 O& w) C安装如下：
. L; b. i" e! H, R' n4 J) \7 g2 B1, Windows 10
2, Python 3.10.11
3 i" X7 k% Y% k: @9 L3, CUDA 12.1
4, 在python 3 中安装
# s5 V* {% l3 ^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。
8 l/ n. q8 P# t0 n3 P# T9 s! R5，pip install -U openai-whisper
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：
6 \# z9 }, Q4 s, ?
$ ^1 r# a, S0 v, g----------------------------------------

. H( k. X1 K% k; k8 Afrom faster_whisper import WhisperModel

model_size = "small"

* v& p0 a* T6 ?; F5 e) qmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
% Y8 g2 W, s8 Z% `
9 t4 M* {/ L( h" P0 g" N5 Ksegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
) e# L( o/ I( [% J    language="en",
( F9 M' h: ~7 H5 {% ?" C  C9 p    task="transcribe",
4 E/ [2 g5 Z: H, f, b. n" X* n3 _: Q    word_timestamps=True,
; D1 K1 H) [3 M8 }# y8 I3 a    initial_prompt = "Hello, welcome to my lecture.")

1 a( [  P" ~2 B5 @( c$ jfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
" {) c8 a8 U- j) U$ R! b
" X+ p* x: \# z        for word in segment.words:
: `3 f  B  G5 B               
----------------------------------------

0 }/ c5 U  o2 R0 f; N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。
9 F; \6 S) R( o( ~' @5 T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。
+ m4 s7 {4 G& H/ c2，segment 本身是很粗糙的，做字幕勉强能用。
+ |% ]1 [% d! }# y* x4 q8 f3，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。
+ s5 c# |7 @7 V# i9 c4，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
9 R# ], o& D. T& Q- B6 Q! l  t2 r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：
! R- f% t' T- Q! Y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
% j" W. s- d2 A. p- v0 a! `    word_timestamps=True,
; u2 o! j1 V, F) N保证了你能拿到 word，否则是拿不到的
* A# F* Q2 B# H    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。
* R5 [  l. A4 l) z+ T# v' X" y) s& Q5 e其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
; ^. E* K1 F. v# a. D; b8 K152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
& I) q+ E3 p, u5 U% `6 p
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。
" t# K7 `9 O" ]) v5 u7 ]' o7，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。
) m. b% v* f2 s8 i7 n: A8，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 P8 i3 M8 C/ X+ S! z
! J$ h; F# u) ?: K6 f+ e: A

nanimarcus

多谢各位榜爷打赏。