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。
( D3 m4 M8 P5 ]/ E! E/ \$ k" q----------------------------------------
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。
0 V; `  ^$ N7 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。
6 A. m1 w6 V2 M* n2 a% Y/ u----------------------------------------
- }, \! S& B# O, f5 N: o3 _8 }https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
, E$ u. o7 n9 Z' F2 m* m4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
, k# a) G, \* C7 E5 f5 O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
这是向whisper 致敬，可以不装
6，pip install faster-whisper
' x) s+ P& P# R: s----------------------------------------
% t7 u, W5 T( h/ O* Hwhisper 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：

----------------------------------------
# ^5 ^2 j3 c5 K  n4 l, {
from faster_whisper import WhisperModel
- ?4 z) c3 r& P" h5 D
: G- Z/ z$ z$ s: F5 ?; S0 Ymodel_size = "small"

( f$ U/ P2 s5 x! |) ~model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
9 w5 s- B/ \6 ?1 x% M/ l( d$ O    beam_size=5,
- W/ v! _, S7 V' D6 e6 x/ \  X    language="en",
" h/ i& t+ L1 B) K6 D    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
6 y+ v" X9 W( C) \, R# |
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

- D* i( r) P8 M; t        for word in segment.words:
1 `4 N/ Q* x$ a% Q/ E) O5 g               
0 \5 H9 b2 h" Y* t0 Z3 V( R, A----------------------------------------
9 ]' p5 P/ s* D) q& D3 h5 U2 p* `
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。
# M& c* o2 D6 f8 A) p8 l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。
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
+ R" L8 e+ x! ]7 a- ?$ g; B- z比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
9 c* _7 p6 h4 s. H! F5，model.transcribe 中参数说明：
8 w8 z6 z' }. c; f- b  v0 f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
' h( g0 W& P6 T0 L2 I) a其中
    word_timestamps=True,
  J) `& }: h& r  D* Z1 m* L( S保证了你能拿到 word，否则是拿不到的
* V9 F1 @# B5 J5 C8 B- p    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：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
5 v9 M$ m' a/ B  `. g. s) I3 J从源文件你可以看到是支持中文的句号断句的。
7 C/ l0 e, U/ i1 _' ]7 Y
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。
7 L, l" I1 n; t! V8，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。
( x! }; p$ C( v! w' q$ w
; W6 c+ t; a# J0 c* [0 {* w

& U6 d. ~  K, U5 a3 L1 i2 C

nanimarcus

多谢各位榜爷打赏。