faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

8 j& g! r1 ?7 e. [% T  ]% o
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。
# p7 B1 Q* \. n& c9 H6 P0 V- r$ X----------------------------------------
( Q8 ], X3 I& b+ T6 d5 ?' R% N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。
----------------------------------------
" L8 ~9 A! X3 q6 r8 p/ s; }& d: hhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
/ `: _3 S5 O' e/ v4 h2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
+ F9 U% J, a+ [6 [" N! @1 P, upip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
1 ?  R/ Y3 z0 f' [) {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
- N9 j  s3 E. ?& R0 h3 O这是向whisper 致敬，可以不装
2 }0 ^: _+ ^3 x; q6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
/ U5 i! f  W+ L5 H9 }% K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：
) R. B6 a5 g+ U( q
0 z# d# l, `* g: H----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"

0 @& l/ \5 W' v! k: \model = WhisperModel(model_size, device="cuda", compute_type="int8")
/ ]4 P7 E4 L/ I7 S+ K7 `
4 _  C7 S8 o7 A; F- y, V8 `' \+ h8 Fsegments, info = model.transcribe(
' Y$ F) N3 d" g( W    sourceFileName,
    beam_size=5,
4 Z# i, X& z: n; J! m    language="en",
8 ~0 }7 |" k& o$ [* U; a    task="transcribe",
    word_timestamps=True,
# D. `5 d& }% c& l8 U    initial_prompt = "Hello, welcome to my lecture.")

* R- g8 W6 g* Y0 zfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

& n% L7 o' ~* x( j& F6 ^9 S        for word in segment.words:
6 i& o+ R% k' J5 y6 b: m8 D               
$ f4 r; q& G: a/ \----------------------------------------
( P) ]6 o9 e: h( v
' `; v# q% f1 z& P7 E代码说明：
4 O" @* O4 M3 i+ A6 Y4 @; F) E6 G+ X1，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。
. G( g9 N* c* g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。
7 R  N. F2 z& x. g- p3，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。
8 _6 s$ j( B1 H& a, A& B4，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
: k& {; A" x/ [- y( A. w6 I. @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：
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
0 o8 _# Z! O' p$ z    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
6 A# s) j0 x/ Y; R2 v    initial_prompt = "Hello, welcome to my lecture.")
' d# E$ l' A" ^1 m+ D9 M保证能尽可能准确的断句 punctuation，但是不是决定性的。
7 P! l; G4 S% }2 o1 d$ m. e其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
9 n& I. D: [1 g+ U" T# a; ^7 e152 def transcribe(
. n5 O( z! ~* f! L, F0 V+ v+ c- s从源文件你可以看到是支持中文的句号断句的。
& O$ O2 E% g: |5 A7 K: f
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。
) |1 T' o- C# A  i8，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。
+ Z, u6 n4 @0 ~" f  _
" W7 I' W4 h4 j# L0 ]+ v# r$ k- D
* X- J+ B' k% @( `: O, j! D
" i( E, c. r1 s9 c# t

nanimarcus

多谢各位榜爷打赏。