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。
/ z3 [& U& h. b4 P8 t----------------------------------------
4 H" _/ n4 r. f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。
: J, T" a7 T* V' _* L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
& U% z: p) a6 K安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
7 O  h: D# b% b+ s) xpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
& X3 T- a9 k& Z- Q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
----------------------------------------
2 \7 B3 k" |( V' `# G5 B! }whisper 我用的命令行，faster-whisper 我用的是python。
+ x& A6 Q0 \% @7 n: z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：
! g1 E1 a/ C  \, C8 x" k! Y  f
, [0 \# |4 [6 ]0 }, p----------------------------------------
7 X1 b# h* B* ]" j
from faster_whisper import WhisperModel

- _6 U- x, @$ dmodel_size = "small"
0 E8 B7 k* H/ I: v$ A8 ^( x
7 t9 q' H, C- ?7 h5 ^model = WhisperModel(model_size, device="cuda", compute_type="int8")
3 r8 z& v$ \# ]0 l, |+ c
9 I1 @% o& ~) V. Z' [: y& Ysegments, info = model.transcribe(
* g# s% p/ L' h0 o! e( q3 b0 h1 ]7 M& r    sourceFileName,
5 M6 y- e' b7 _    beam_size=5,
    language="en",
0 `5 c7 y2 S1 h+ C, S! l    task="transcribe",
  h' w, N: O7 v* \/ g/ l& L    word_timestamps=True,
2 V+ |* f  @+ W7 w3 ^$ h    initial_prompt = "Hello, welcome to my lecture.")

* S' w: h' W% q% F1 xfor segment in segments:
" C# W9 o! w6 {1 c# |    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

( c4 z! H4 V- [3 D        for word in segment.words:
               
----------------------------------------

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。
2，segment 本身是很粗糙的，做字幕勉强能用。
3 O" x- D  p: C' q# k3，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
0 [9 o+ a+ Y3 J% t比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
/ {! M) }0 F! b% U8 B( a1 b% V5，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
其中
! {" Z+ n9 J# n* u/ {% l7 g4 l% d# e    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.")
: b/ a; V# ^% j. P% u) G- X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：
- k; N7 `3 l0 O) `1 Shttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
4 v- `8 T( L- ]1 w从源文件你可以看到是支持中文的句号断句的。
3 j8 F4 v5 [' i5 E2 m
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。
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。
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。
0 T8 X8 t! `) c1 l" \. y* W8 ?
9 K& m5 Q( [4 A
3 c9 I0 b$ {: L% e+ K- v- r$ o' J
3 q+ p: ~% |) v, r  z% b

nanimarcus

多谢各位榜爷打赏。