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。
/ [( J( r, Y- |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。
9 Q$ S6 N* |9 P: w9 X----------------------------------------
9 D) Q7 ~9 b' n$ i: K/ m0 J- m/ \$ }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。
; v+ S& k6 ?7 i1 V9 v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。
. d7 ?0 U  Y2 y----------------------------------------
8 S& m3 u, Q% M/ p+ y5 e% ~8 C& ahttps://github.com/guillaumekln/faster-whisper
$ {/ X4 W* x, ~4 B+ z6 l# L# N- `安装如下：
. S4 p- ?, R3 y* X1, Windows 10
2, Python 3.10.11
3 |* X" Q; g- X6 `6 i% ~3, CUDA 12.1
4, 在python 3 中安装
5 H- q% i2 D1 xpip 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 t  f% Y5 O$ z! _) h3 l5 j+ C8 k----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
. R0 o3 J$ M  z" u1 f# I, v" z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：

----------------------------------------
2 Q. G4 a+ \1 d& z; f0 j
from faster_whisper import WhisperModel
8 r: F/ D5 i2 S6 c* f: u6 J
model_size = "small"
) t5 W8 w- P0 f( x) K% R
model = WhisperModel(model_size, device="cuda", compute_type="int8")

6 [1 _1 b8 Y( y5 F. f3 C2 V# x  nsegments, info = model.transcribe(
    sourceFileName,
4 e( \$ w: M6 D4 y6 ]* E. Y  d    beam_size=5,
    language="en",
    task="transcribe",
9 {5 a$ X! k$ j& k0 f& i    word_timestamps=True,
% o9 y, ^* E$ N+ [4 |    initial_prompt = "Hello, welcome to my lecture.")
6 j, S( {' H) l1 q1 q- z7 n# r
for segment in segments:
# A' V: k  t2 [* ~( {- a    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
# j5 X5 M% ]4 D# j" E+ n
        for word in segment.words:
               
----------------------------------------
9 N: W% ?/ H5 A3 [! p0 r& k# f: J
" c& N. }$ V- G! n. e代码说明：
  Y: m3 N. a* T! K" a1，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。
0 [% s( C  w( h' I" a3 A& Z6 ^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。
5 U( i5 z) [. k: g, ?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
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
3 I5 |4 L, H0 X* ]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
    word_timestamps=True,
" [8 v9 a4 a# o2 F8 a保证了你能拿到 word，否则是拿不到的
) T: z& @. T# V% v- q( K4 i    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。
其他参数可参考源文件：
, U6 c. h4 E" j: [; @https://github.com/guillaumekln/ ... isper/transcribe.py
3 o' A/ t: V8 o152 def transcribe(
1 `' Q% U0 C" g; S从源文件你可以看到是支持中文的句号断句的。
. w1 _! N" n( C( L# N6 r. F! ?
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。
% Q$ s. v/ D# A! O7，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。



+ A" x1 C6 }9 [7 C. r

nanimarcus

多谢各位榜爷打赏。