faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 O: O' k! h6 |4 J. B3 z" J) \6 b  V
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。
- F5 A) A2 I' R. u5 z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。
" B2 N* e1 z) ?: L----------------------------------------
8 Q) O' e/ e) W0 v- j( B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。
  z# e; N1 L6 x- ]+ R  G! u* B  F/ P. f----------------------------------------
4 L% p0 k9 @7 T- z* J+ nhttps://github.com/guillaumekln/faster-whisper
6 l$ C& h5 H+ V( T9 c3 G( X( ?安装如下：
1, Windows 10
2, Python 3.10.11
0 E4 Z# q$ w: c- k7 f) n' p, A& ~. ]3, CUDA 12.1
" [2 V* d. c  Q; G* n: I% l% U4, 在python 3 中安装
0 T0 G; L6 ]% L4 E# b5 d/ |pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
, r8 X( p7 T2 {! _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
+ H# a" x* ~' S% |( F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：
" t; d0 I* d: P! k; f4 W
8 G  A: a4 a$ c* U, G% H) {----------------------------------------

from faster_whisper import WhisperModel

" }7 ^) E) @( a8 Ymodel_size = "small"
. g& r+ E' O6 ?  o8 @, Q
5 \3 M! @: W7 J) A/ t1 smodel = WhisperModel(model_size, device="cuda", compute_type="int8")

: l* E: b# `9 R! V& C! fsegments, info = model.transcribe(
    sourceFileName,
. U. O1 c9 ]0 W  e% C    beam_size=5,
1 U5 P1 l& u% x; q" x8 {0 n7 b  E    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
' s. R4 u& Z; J. a+ U6 c
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
) f2 A5 Q) w; y- o6 ^' H0 P               
" |% z" U+ J, {9 \6 w7 c! g----------------------------------------

代码说明：
; {7 I# y7 o  z, q1 I- ]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。
: t4 K9 @& C* c9 c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。
: V1 r& L. v6 e+ I4，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：
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
' D" B; _' ?* o% q% T. i其中
    word_timestamps=True,
6 h( @/ \: [$ }. D& Z保证了你能拿到 word，否则是拿不到的
: |. G- W9 E( b$ f- O! @    initial_prompt = "Hello, welcome to my lecture.")
) B  l, q8 D: @6 [1 i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(
/ B0 x4 s) q% o+ P从源文件你可以看到是支持中文的句号断句的。

) l8 V: n* K( E/ O2 x! I6，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。
/ m7 e3 V9 @$ Q$ K1 w7，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。
0 G1 R" z5 _7 C4 x5 e  n8 g* d

nanimarcus

多谢各位榜爷打赏。