faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

, ?6 Q9 v2 A- K! T9 ]8 l
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。
+ O2 b; h+ I7 @: v9 u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。
! I# W' Y$ a" e4 H1 O/ e( h----------------------------------------
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。
6 I6 b, D2 r; m$ |7 ~$ B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
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
& F# z* ]  ~. P1 y, q' r' Hpip 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。
; |& J6 Q0 o* A, g4 V' o5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
  T- e0 U4 M& v5 D4 b% w  L5 g6，pip install faster-whisper
----------------------------------------
whisper 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：
0 u) `  ^4 O" [5 }
! W" c" B+ A' D1 b  g, f----------------------------------------

1 p6 ~, O1 n9 m% J3 ]; Y: bfrom faster_whisper import WhisperModel

. Y1 \$ A% w$ }( Gmodel_size = "small"
- \7 T  \  P# A7 A/ _
1 P6 t) D+ O& W0 _model = WhisperModel(model_size, device="cuda", compute_type="int8")

+ |, z, T) S9 L" r' q1 {6 P; @  ^( z# csegments, info = model.transcribe(
    sourceFileName,
* q/ g8 M: j% [# h0 M2 I    beam_size=5,
    language="en",
  e( ~9 B" n, p  Q, k    task="transcribe",
    word_timestamps=True,
( Z. z9 }3 |8 n    initial_prompt = "Hello, welcome to my lecture.")

2 d0 r/ Z, m; |/ \! `2 [  R9 A% Sfor segment in segments:
  X/ \; |$ v$ r  y  g. S6 t    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
$ L/ J! [& v9 g" ^: \' l
        for word in segment.words:
               
+ j5 \' W+ P/ C# P----------------------------------------
# h4 ?( y* z& S# {+ N+ \
4 H2 ?8 J$ q- m; ]+ k& ?1 _' X" ?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。
% u* {0 r4 I5 c; @% B& P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，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。
& q7 h% ~" ^4 E6 q  l7 [) L1 }9 j4，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
" b) f5 n4 ]2 `( P0 s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
' g+ E: k! @  d) V3 z    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
3 Q6 m  Q' K- z& Z; u2 u    initial_prompt = "Hello, welcome to my lecture.")
2 {9 v# d+ K& n& R保证能尽可能准确的断句 punctuation，但是不是决定性的。
. K+ b4 e/ S% s其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
7 G# ~' _1 j, D. l& Z( [; |从源文件你可以看到是支持中文的句号断句的。
  U3 L1 e' n) q$ O
$ d$ w! c( ~  u8 q6，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。



4 Z4 d$ O+ O7 c: |! E

nanimarcus

多谢各位榜爷打赏。