faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 S3 ]. ]9 g7 ?2 `2 v6 G# z) Z) P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。
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。
----------------------------------------
3 t! o* ]& b- s# a4 p$ u3 B. z( Mhttps://github.com/guillaumekln/faster-whisper
* P$ i2 K. ]1 z: w, @安装如下：
9 ?2 A4 o% M* l, D2 }2 m6 J' u1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
) n5 u  x' b9 q% R$ U+ K7 p4, 在python 3 中安装
7 N# W; e* r& apip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) F( t+ s: B( y  J% {% @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。
( h# @+ Y( v( c5，pip install -U openai-whisper
1 \3 H) i% {; o5 S这是向whisper 致敬，可以不装
* j  `5 i0 O( k7 H# A6，pip install faster-whisper
9 j) ^* w2 Q- a----------------------------------------
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：
7 s# @9 e/ H. c" y- A2 z6 N  g" m
) q7 I% B0 ]. j  Q1 s8 G; d----------------------------------------

; X/ l+ Z9 e4 k0 f" [from faster_whisper import WhisperModel
6 X2 ^! }, i$ L) O0 U8 Y% w+ ~! F
2 m" ]+ c  X5 u4 umodel_size = "small"

2 V* T% h' X1 v! w+ Pmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
" k1 n* ~/ x# q2 I
segments, info = model.transcribe(
    sourceFileName,
9 z/ R: b' n% l( Q5 N+ D* H    beam_size=5,
" m: X' h: s5 O! U    language="en",
% ?% S+ r8 G3 |) d# q- h7 y    task="transcribe",
' M: \0 z3 o( m" U    word_timestamps=True,
$ ], D- Y  ]& Y; @* d; B3 M$ K  k    initial_prompt = "Hello, welcome to my lecture.")

* ?% ]- C& ^$ J7 U% E, a/ [for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
----------------------------------------

! R+ x+ ?' J$ ?# u& E% w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。
' z  U8 L; r; |% T% l2，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
% @- B3 T, w7 ^. I& k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：
" Y0 F2 {- e$ C4 s# m% o5 D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
3 b5 J, c7 {1 w5 b其中
5 F5 m6 l2 E7 w4 Y  q4 \    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
# g! |! S! X6 U& B. k    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。
8 K( h$ K8 x4 u6 F& p其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
4 S- n; o5 n5 B# O1 y5 t152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
7 E8 ]6 C2 t6 n) {$ h4 W/ ?; d
1 j: Q7 ~8 l* k0 O2 a1 i* z6，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，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。

" P1 q3 V6 w. R$ C; {: K; _: @& X

nanimarcus

多谢各位榜爷打赏。