faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
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。
( O/ V4 _) \* |% ]% i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。
2 V0 b  C7 g; k+ B, D----------------------------------------
5 E7 D4 F9 v* k1 lhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
4 C+ Q) e$ m' s& W" e7 Y2, Python 3.10.11
3, CUDA 12.1
0 q2 P6 l" g* ^5 J, s4 c4, 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：
! d. K! D% J. z
----------------------------------------

5 \; f) x7 h6 d1 {5 _7 }from faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
8 I5 l+ f8 Y/ u' V
$ I" c' [. f5 ~' j; Psegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
& c" c4 G& j$ W$ I' V" d3 @8 T5 {0 O
* s4 G2 r  E6 W+ c/ }: d$ D. Zfor segment in segments:
- b8 F8 ~# F4 l, q9 P    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 {3 s; Q9 P( L# c: w
) |* p) v3 k* w  K* k        for word in segment.words:
               
----------------------------------------

代码说明：
8 N2 x  q" _# k+ K( K2 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。
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。
' n( c7 d; i! Y0 y6 t2，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。
- Z* v( k5 x8 n' s9 n) Z& u* b& _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
) c7 r2 D2 b& [* s$ P1 s8 H  |比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
) ^( C3 _( z, y' c( H, N5，model.transcribe 中参数说明：
7 m  h) F* z" f; ]' Q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
9 e; Q2 M+ g5 u' ?- U) @/ g    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
# k8 o8 b/ O* s9 Q    initial_prompt = "Hello, welcome to my lecture.")
" v; {( _. d0 B0 w: 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(
( \* @$ p3 q4 g1 }0 e2 v. X3 v从源文件你可以看到是支持中文的句号断句的。

! m9 }/ u- j; p- f6，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。
: `5 n, U4 m5 h+ Y6 A" a7，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。
$ a+ p4 @9 R) `. X  s: [+ X

nanimarcus

多谢各位榜爷打赏。