faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 [$ X6 ~% T2 [2 V5 }! ~5 O5 U# c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。
; M# O( W+ T; C+ X$ \5 h) [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。
$ C! }# I& Z" U+ z+ B$ B----------------------------------------
5 Q' X- B& Y6 \8 M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 G2 c2 m# D. i5 f: t, u" o% j----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
' ]+ G( x7 Q1 Y, t, Q1, Windows 10
2, Python 3.10.11
3, 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。
% `& c  ~6 W3 t+ B5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
. ]5 W8 z7 r3 l+ j5 k1 b6，pip install faster-whisper
( E" A- _- d$ Z% L----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
& p3 E, v6 F$ l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：

) ~5 h( W/ I) `8 \$ B----------------------------------------

from faster_whisper import WhisperModel
3 w( ^$ i$ h* z. U6 L! v
. d, T  \& w# Q# b% A% zmodel_size = "small"
7 z$ Z8 [/ _! P$ x
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
6 g( ~: ?# |5 H7 u2 R$ \    initial_prompt = "Hello, welcome to my lecture.")
/ i5 M, r9 _% R
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
7 `5 B# m1 C4 |, r) ~& Z
# Z; y3 f8 f  u+ k        for word in segment.words:
$ }2 j8 ?5 @' S$ j               
----------------------------------------
3 i. E! @' O* n) C, ?9 j5 |6 R: N7 |
) {3 v( O" \- W$ L! \6 o4 M" ]8 j代码说明：
( Q7 |8 k# t6 @8 a) v1，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。
& O( {0 \, S" t, I6 X2，segment 本身是很粗糙的，做字幕勉强能用。
  C$ p, T8 m% z3，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。
! u0 r: `6 k8 d% K+ i4，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
& s$ X. g4 M4 I7 k+ m/ w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：
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,
' F8 N& D3 Q6 R4 n3 Y' _) F! Q保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
( O8 s! c- {  G/ H( ]' _保证能尽可能准确的断句 punctuation，但是不是决定性的。
: P6 R6 ~1 q7 o' k5 S- }其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
+ }: U) `: y- u2 A$ y, M从源文件你可以看到是支持中文的句号断句的。
- t( T# [8 g+ j6 A' L
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。
7 g1 Z& a6 j& B9 W" N5 g9 |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。
8 y5 K4 G. J2 p0 ]* v
7 y" ^% R. C4 K" e& u: g" b
5 W( H) C4 J6 W1 t7 p% ^
: A7 G. m3 T1 I

nanimarcus

多谢各位榜爷打赏。