faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

+ k! _/ h3 e" _
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。
9 r  W$ r, ^$ C- T, x+ q4 p3 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。
9 Z$ y( e& h1 g----------------------------------------
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。
) `7 Q8 ^  |# u" b9 g----------------------------------------
( I1 n$ S; D; H8 ?* B2 X3 Whttps://github.com/guillaumekln/faster-whisper
安装如下：
& s6 x- J: \' k1, Windows 10
2, Python 3.10.11
; Y# p5 X5 c: N$ I4 j7 C3, CUDA 12.1
4, 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。
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：
4 \$ K3 S6 F6 n; n$ i8 f
----------------------------------------
# n1 R. q( w' f" U5 w: F9 n
from faster_whisper import WhisperModel
2 y) t, ?7 s( x0 S& e
' E1 j- }# H6 ?# omodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

& ?4 ?. Z8 `1 \% S, t* Ysegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
% Z' {/ r/ p1 z7 S& {3 j    language="en",
    task="transcribe",
; l6 C- K. i9 |/ q( P    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

' i( @. z$ \6 O( k' I2 f: U! {* Gfor segment in segments:
0 A  E0 m% f$ ^2 b! M* r' ?    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
' v. O$ }+ d* r+ G- i
  l- v" ~' M/ x! ~1 q, C9 @        for word in segment.words:
               
9 b: l+ S) S" I' G6 e----------------------------------------
& \' E* z4 {  b4 Y. b( S
代码说明：
3 ]' A  k: E- p. f% H1，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。
  v; @" c- f. W1 k  w8 h0 ~3 b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。
0 f/ `2 O6 W. Z* }  g2，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。
- `2 O8 s; @; X7 W1 y$ o, L5，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
# k) ?9 S2 U( ^# Y: {- E其中
    word_timestamps=True,
- d" C: ^9 T6 {2 [$ u& l8 Y( P( {保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
2 ?/ s0 N; P/ q' E* z2 t) l. G# 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：
2 J* y: H2 k8 C& V( b: R. xhttps://github.com/guillaumekln/ ... isper/transcribe.py
' O+ e  ?: z; \( |( u# j9 W152 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。
4 W8 t  q3 C$ @/ q7，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。
; C: Z% }( l+ T7 E' }

, n  x- j" C; ~5 o2 ?
) X( F0 X  z3 I1 s0 l+ Q; ?

nanimarcus

多谢各位榜爷打赏。