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。
" P$ i! Y0 D9 a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。
; A( |- z  u+ `$ l----------------------------------------
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。
% i- J7 G6 r% m/ x3 B' e; r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
) o" b# R: `# L5 z3 M, V( q4 R2 y6 ~安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
, T6 ^6 }7 C6 Z4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
7 L/ }% z1 Q3 [* ^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。
/ n( }0 r' l5 z5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
( ~7 p7 o3 l$ ]4 D/ A7 I6，pip install faster-whisper
/ q0 T4 ]6 U  a6 _3 E0 m5 A----------------------------------------
) i5 l; t+ Z( ~+ Cwhisper 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：
: N! t+ s7 H% C8 Y. E! |9 l
6 g. w' M: i, c- S# n7 T' A----------------------------------------

from faster_whisper import WhisperModel
1 i7 ^+ U( A: S2 J$ s
9 d9 K2 j! u# u7 c8 hmodel_size = "small"
1 ~! e+ r( m2 F" l  }  _9 m1 K6 m
model = WhisperModel(model_size, device="cuda", compute_type="int8")

& P7 k: X( ?& G2 h: v' [segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
* X0 w3 ~- f$ Y: Q; z9 i, k! g    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

& J& e# j* V& J; C" L# p        for word in segment.words:
# w! H; N' K7 m3 T2 R9 K% B               
----------------------------------------
3 ]* t; C0 ]/ j6 B
5 s. w: c' U4 c8 Y) K! D" F代码说明：
0 {% E" Z- U! n/ b8 h5 `0 e/ u1 T' a, 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。
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。
1 y2 [5 ^  T+ A- w4，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
6 T  v5 v+ B2 k, n# 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。
5，model.transcribe 中参数说明：
* @; n5 j& ]1 ^: G( w, V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
  P- O2 y" }) N9 a% W; Y- O其中
1 ~1 i0 ]5 r) {2 [    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
% c, |( ], Q$ S1 v# M, k5 F    initial_prompt = "Hello, welcome to my lecture.")
* q6 u" ]# |  H( S保证能尽可能准确的断句 punctuation，但是不是决定性的。
) B$ k& u" m# i( L$ [+ ^其他参数可参考源文件：
7 {* @6 m8 X. X8 J9 `3 [https://github.com/guillaumekln/ ... isper/transcribe.py
" B! y- ~; ~7 H% ?- x152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
) S; g- z: Y) n& S$ }2 j( a1 q2 b
6 M, X1 W7 E$ a/ L! y6，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。
) r. p# b: w9 ^3 g$ g& N8，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。
# g/ A: w: e1 h1 e' a
8 M2 j4 _+ G: K$ v( s* P
0 @/ ^  a  w+ D7 N/ V

nanimarcus

多谢各位榜爷打赏。