faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

5 g5 X( M6 s0 u# F6 r/ \- Q: _8 Z, G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。
* G" v. N4 |7 G/ L' i) J2 V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。
4 b% N$ A: G1 e6 u----------------------------------------
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。
. G( w) w0 Q# n0 ^1 T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
" U1 J6 r4 P" q  q安装如下：
, o7 F4 S) ?2 q# d% |7 A5 d' y1, Windows 10
2, Python 3.10.11
$ `. V% s% i2 R/ m3, CUDA 12.1
9 F! u% v  s, f! T4, 在python 3 中安装
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。
0 z# o/ C2 C% X5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
  k( C" Q9 B! T4 F9 M----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
  c2 J/ \! \8 W  X! n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 y+ [3 l7 l; V! n" o
) z1 i% b0 W% b! j; o/ N----------------------------------------

, y. t7 W5 i! g* Y' p. sfrom faster_whisper import WhisperModel

  l$ K9 ~$ Y  N% I0 Qmodel_size = "small"
2 z% K; w6 h$ r9 _
. \; u4 K: U) p! d$ ]. ~model = WhisperModel(model_size, device="cuda", compute_type="int8")
* Q$ n3 `4 f9 a8 l) R, ~" g! `
6 N1 u' v$ J" @segments, info = model.transcribe(
    sourceFileName,
! t# J, m$ Y9 Z* H# P( j    beam_size=5,
6 [; Z4 T4 E: ]( l4 M8 R    language="en",
    task="transcribe",
    word_timestamps=True,
0 m; X' D' @2 N- r    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
# J+ }$ S7 {( L( r7 k    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

. m7 n# T  q- _) S) N5 r6 m        for word in segment.words:
, \& \1 s& h2 K) E# C' V               
----------------------------------------

代码说明：
, d. F2 W6 ~: u! A  i$ l2 g1，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 v* [) J/ K4 h2 j" o6 @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。
4 j% k7 G" O$ j# }$ V2，segment 本身是很粗糙的，做字幕勉强能用。
! E. V. @$ ~" q; s3，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。
) f' ~2 A& v0 W" @( E6 N$ r9 s4，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。
  d- N' l7 w. [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
. U- V6 s2 I& {( W2 w其中
  D) E: u: K4 Y$ ?6 E7 j    word_timestamps=True,
) E9 [0 z2 `( ^- C3 v* Z4 k保证了你能拿到 word，否则是拿不到的
# V! Y/ O8 ?% J9 H6 l2 O    initial_prompt = "Hello, welcome to my lecture.")
6 i5 w& a" `# S) o( W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(
从源文件你可以看到是支持中文的句号断句的。

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。
. X  l, Q+ z- a7 k* [7 S- ~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。
* c4 d* d; g. J7 U: @* |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。
. n6 @9 K8 d" a' b

& `- F8 w8 D# B% o1 M4 E
6 f" N( A+ d, s# Z( a1 A

nanimarcus

多谢各位榜爷打赏。