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。
) _7 {5 H, G0 J/ z  G  h9 b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% b/ I" M4 A- ?% `" r----------------------------------------
3 d! t& n0 u: n7 H, n/ d4 d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。
----------------------------------------
6 |% n, R! F2 K# f$ h/ x* Jhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
1 V/ w  [7 e/ u4, 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
3 I6 i# V; w+ }1 v8 v. t' t这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
& p  B# G" y7 b7 zwhisper 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：

5 z! E+ i9 F0 c0 ]! _----------------------------------------
' ?! x+ _9 A0 o
from faster_whisper import WhisperModel
) f0 F: V3 }, h, x" H4 x. D5 k
3 }: Y' H0 _3 D* p2 qmodel_size = "small"
1 D. ]5 [3 e8 L5 O
4 ?; y5 ]) v: w( u  C' O* Zmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
2 w+ z% J! @- D' f  R    beam_size=5,
) P5 B1 V9 R9 @2 I  _$ y, G    language="en",
    task="transcribe",
2 j, v) R4 y% C# v. w/ @' k    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
8 U; V. `. ?6 V1 J7 @
        for word in segment.words:
               
' B) n8 o  _# Q0 i, L----------------------------------------

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。
8 {0 M/ [+ r: M2，segment 本身是很粗糙的，做字幕勉强能用。
! v) c# a: `7 Z& f. 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。
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
( J& K. s/ P; G9 X0 j1 I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 ~# X7 R3 e8 n5 c+ O" _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
- y, E$ h9 e% G" `8 |其中
    word_timestamps=True,
  P9 D* M  n4 X- h4 Q保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
: M" r3 J- w+ k. S7 O3 w5 o6 u2 r2 t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：
6 Q! p; y/ J# ?9 ~/ C0 Rhttps://github.com/guillaumekln/ ... isper/transcribe.py
1 U! L/ ?9 \6 O' U% H, h5 i" U7 y6 Q152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
9 u" d% f, B5 Y% c/ q
) Q& O  P* X) 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。
, R- s* F) t4 [" K7，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。
+ h5 f1 c) x) ~( j8，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。
% L0 k0 i% }0 @9 F, k/ E

nanimarcus

多谢各位榜爷打赏。