faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

' |! [$ w- g3 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。
, O1 l, V/ x  @" m* ~, u7 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。
$ s, o9 N( Y, ^+ ~& T; |% E0 c----------------------------------------
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。
----------------------------------------
, }3 q% W9 N$ |6 K$ ~$ a; Yhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
. P- H; L( l1 B! F0 j: F2, Python 3.10.11
6 i2 q  l( ?4 d& {7 x0 Z5 Y3, CUDA 12.1
2 J- z9 W! V) y. y% r4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
  B) G! U  Q5 u* l4 L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。
* q* {: ~; x6 G" t5，pip install -U openai-whisper
$ @7 K: Y8 b9 r5 M2 W' M' T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。
4 a5 Z8 t' V9 n7 ?$ y5 C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：
' J0 @: n: L2 h3 n
----------------------------------------

# H- u6 I2 c" J! z6 }1 efrom faster_whisper import WhisperModel
! o6 G; B1 x. m* a/ G
3 c# M" U  D4 W/ ymodel_size = "small"

: t0 g3 c  ?8 Tmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
* N1 h3 o% Q& V& n4 Q" Y
9 y& d* ~# r% {segments, info = model.transcribe(
, X4 G, U" p8 U% ]    sourceFileName,
2 ^$ D) N- O6 I- {3 c  {7 z! a, S3 F    beam_size=5,
    language="en",
" u# k% }% W: g( F0 I8 w5 g- h    task="transcribe",
    word_timestamps=True,
  [  t0 H2 w* S0 P# k) N    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
- y0 G4 v; L3 _& b+ n( s- a( e  M+ @    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
3 p. v  m8 O6 I- T6 r; D----------------------------------------

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。
2 x  v+ Q1 H. `2 ~- Q3 c9 Y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。
5 u  u% W, `* i3 `) t7 y, D" Q2，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。
2 a1 V: w5 a6 j& `. m- m6 U3 o5 _4 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
9 {2 y0 p6 b8 V  h7 n' N# ~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：
5 r  }* n8 y( z6 ]! b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
8 }1 k$ y. D+ @    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    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。
3 {/ S1 ~: E% e* J其他参数可参考源文件：
; a1 q  `3 l; V( ~* Z. khttps://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。
( e7 h7 c6 x$ W  i1 B7 V
' x* i3 J8 v+ U# ^/ v0 L- x7 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。
, n1 E- d- A: d7，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。
4 g2 f4 Q4 H/ L' x7 [! z0 r9 c3 {

! v4 s' j' D( @$ W! |
  d# L5 T$ Q3 i9 [7 O: ^

nanimarcus

多谢各位榜爷打赏。