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。
/ o# H/ U6 [# x0 l% \6 F----------------------------------------
6 @+ {: h% Y9 B9 ]5 s' t$ s& \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。
----------------------------------------
8 l) Z5 |, Z' d2 Q9 o: P8 bhttps://github.com/guillaumekln/faster-whisper
安装如下：
, l2 g& x1 @, W' q) I1, Windows 10
' A6 Z: z$ T/ h$ S6 U* X1 N2, Python 3.10.11
  b$ `: B* k2 r; v" @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
3 o1 q, Z7 X. H3 z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。
8 k& q) o# e4 S2 q5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
$ g' p3 V8 ^+ t; O6，pip install faster-whisper
0 ~2 V# ~2 b* @, a" m% p----------------------------------------
- _. W; a+ |( {/ z, Iwhisper 我用的命令行，faster-whisper 我用的是python。
# O- f! j; h- o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：

8 W% |6 r1 c+ [$ L8 b----------------------------------------

0 \2 u5 ?" t8 j$ V/ J) bfrom faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
0 _, C0 q4 c3 `  K( g/ A7 H    sourceFileName,
    beam_size=5,
    language="en",
; D9 L2 z/ R0 m; O8 U    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
5 _+ w' K; [. I3 w2 ^6 V    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
; X) z# I' x( K# T3 q. K: {# w               
----------------------------------------
$ Q) R7 j5 K7 l3 O9 m
代码说明：
* N: O9 H3 _2 N+ @- {. M8 _$ K1，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。
, i/ k9 c! g  U& |; f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。
) w4 u, o5 W" l# u7 j7 @+ e) v3，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。
! J# ?" [  }6 c# X# a4，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
) ^9 ]0 F. N% a+ B# W7 x比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
7 R- Z( l2 y8 b6 e5 Q& u5，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
! W3 E+ b* m) i7 ~) l+ h2 v! x其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
, e1 a' \/ u% K6 |- U, b3 U$ E    initial_prompt = "Hello, welcome to my lecture.")
6 D) s5 R, n9 _4 V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
" H) G/ _. K. _) A: Q8 R0 X152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

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。
* |& l' _) U$ o& w  i0 I8，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。
. p" G+ Z( T/ O$ W$ x

1 c" {! L! g) g) k) C0 f

nanimarcus

多谢各位榜爷打赏。