faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

7 T: r" \  Q" {8 Z1 ]; h" v( L
/ l- r  O$ ^/ y4 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。
" ^, L- v- X$ _" F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。
6 ~( ]3 L& x1 F2 I/ H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。
9 y9 \- h' u( P8 C----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
: R! K6 h" @% ~2 f$ ?1, Windows 10
) }( k7 E' o1 s" X5 ~' F) r6 r2, Python 3.10.11
( z) Z  b) {/ y2 N; {% Z5 ^4 @3, CUDA 12.1
4, 在python 3 中安装
% v6 _* j2 ?2 f: I  @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。
5，pip install -U openai-whisper
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：
, Z+ o, |4 E% V# O, N1 d8 G
; m- u) V6 C7 G2 j: q- Y: l----------------------------------------

from faster_whisper import WhisperModel
( q! @! H. M- _- D6 ?" F
. L1 d5 V8 Q, d4 B: mmodel_size = "small"
( B$ h7 ~/ \) E
model = WhisperModel(model_size, device="cuda", compute_type="int8")
% b- N* D" n+ A2 A, j
- ^' s' W2 S. T8 h5 \/ c  hsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
( ^, R& I2 s4 ?, @' H- {    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 I% Q7 l+ W: \; [7 c
$ x8 K6 G4 l/ n( {' c8 `# s" W) _1 G        for word in segment.words:
               
: I# k. Y7 I6 K& Y3 E7 V----------------------------------------

+ L# q5 [3 h1 X( ^9 t# G( h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。
8 x0 L4 U# i* G( `8 X2，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
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：
- \  h  Y1 W' z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
    word_timestamps=True,
% J, a9 G. y* k0 `$ X8 a9 v保证了你能拿到 word，否则是拿不到的
' p8 D# C4 g" n/ H. N    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：
% _8 r& U; y1 O/ O2 phttps://github.com/guillaumekln/ ... isper/transcribe.py
- V% \1 M6 Q% ?152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
3 |0 r. T# F5 e" u
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。
( n7 _$ O$ C! D+ z! r$ W, o* K7，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。
; s4 \9 X$ K. V0 N! n& y
$ a5 F6 f; e6 p! n7 q

5 p3 Q! o6 t# R6 G7 @8 s

nanimarcus

多谢各位榜爷打赏。