faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

9 p' z6 c" E( J; U0 A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。
' S8 G, k/ I8 \, N: a$ w, U; M9 {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。
8 N/ J5 Y! d/ t) k% I& W( Z: _----------------------------------------
/ P! z# ^: w! N% N. N6 l+ N/ b. E8 N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。
, @4 C1 s+ n* v$ D9 Z7 I0 \" m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。
* S, m+ n, E7 z----------------------------------------
! f3 x- z$ O' y* }6 Y/ @https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
# v6 h/ v; C$ Z2 G  k( j& r. g2, Python 3.10.11
, [+ s6 o) O# N4 J7 v3, CUDA 12.1
4, 在python 3 中安装
  I6 N  E  w/ ]/ N7 P& U2 Upip 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
. `7 L- R$ ]) f. a- n9 p6 R----------------------------------------
0 T0 A9 d4 p# d. I* G! w0 Gwhisper 我用的命令行，faster-whisper 我用的是python。
4 H& K) ~# L  X0 Q1 y' n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：

& k3 f3 l  n8 G) E5 V, P2 n----------------------------------------
* g9 g" l7 s' o, w5 W5 \
6 x9 t8 m* Y! J9 r- W+ }) v: bfrom faster_whisper import WhisperModel

/ U: B( R, ]' l6 z$ d; T/ Zmodel_size = "small"

5 y5 s5 C+ u' R$ S" V+ I7 ]model = WhisperModel(model_size, device="cuda", compute_type="int8")

! Z0 S7 o/ g) t' Zsegments, info = model.transcribe(
7 j9 S  W0 Z" Y6 H$ [* ~    sourceFileName,
    beam_size=5,
3 s6 l* [5 H7 L    language="en",
    task="transcribe",
    word_timestamps=True,
3 w7 o0 E  q# D0 u/ b    initial_prompt = "Hello, welcome to my lecture.")
6 ^- F8 v4 p& {
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
" m  l4 H  G# G
8 l% n, F2 v: x- I+ B* x$ h" M        for word in segment.words:
* _: ~' A9 {! D1 G" A+ g               
, g. U1 m2 |8 Y5 L----------------------------------------
1 W: d  q3 P/ L2 Q
  \: r9 g$ U3 r- L* B( N代码说明：
4 [2 w6 \  }+ w6 y, J1，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。
- |* {9 T/ L5 }. {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。
7 l: ]2 B" k! i2 G. s2，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。
8 d0 C3 C! `3 F3 z4，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
. o9 T: b4 ?2 U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：
  S- Z# l, o2 F5 R' ?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,
保证了你能拿到 word，否则是拿不到的
; P; `6 J5 P4 t. w    initial_prompt = "Hello, welcome to my lecture.")
保证能尽可能准确的断句 punctuation，但是不是决定性的。
- P. f2 A+ @6 Y. k其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
* N) E7 d4 x  m  [7 N152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

: ?6 s3 ]9 d* A6，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。
2 g& z: I( e4 m  I5 ^2 k' x
) T+ V6 v* S0 D* V8 d

  d1 d# |, u! w3 E* X

nanimarcus

多谢各位榜爷打赏。