faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

" ^; C7 G  q* p& l2 Z0 ^- a3 V1 n  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。
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。
----------------------------------------
; i7 @& o. c" P/ H1 ~$ q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。
- Y0 G  J& ]6 q* o. @9 C----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
  a$ T  j: q* r4, 在python 3 中安装
pip 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
----------------------------------------
, |1 D3 ~' z) \) {' \: dwhisper 我用的命令行，faster-whisper 我用的是python。
6 m5 V+ d* F. K* [8 b; U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：
) @7 }; a- J- U# d8 L
. f# T3 Q$ t  b" c" o----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
2 `% _+ f, I5 R3 T& K. s
model = WhisperModel(model_size, device="cuda", compute_type="int8")

5 v6 S! F( B0 T! p+ O7 I% |segments, info = model.transcribe(
8 U( {' R: H6 p0 b  e, y- [    sourceFileName,
) l7 Z( e! I- R! P+ v6 `% ?    beam_size=5,
0 L. p" M' j9 _8 o# m. c    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
# p! ]7 w: b# c. _1 Y; E7 {
8 N8 h+ A; K4 Y$ l" B  [# Ifor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
4 V. @/ t! w% i' L
        for word in segment.words:
$ ~$ g( @% E7 G3 ?; W, X8 K7 x               
" t) W- `7 X" N+ p/ X# m# s----------------------------------------

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。
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。
( {) @: z* r* n4 `9 m* f( [$ X1 ~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。
6 |1 l% w3 V! Z! |* ~$ z% U$ _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。
1 u" z# S9 `! Z  }/ C% D/ P: n5，model.transcribe 中参数说明：
% s: y; {7 n+ _& Z4 `# g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
, M3 S; C) Q+ x7 E5 W    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
+ {( U: ?9 \! Q0 r) d    initial_prompt = "Hello, welcome to my lecture.")
5 W5 P* {0 G" `保证能尽可能准确的断句 punctuation，但是不是决定性的。
/ R. G% l$ ]4 b7 `2 L其他参数可参考源文件：
# @* g% x/ J7 Thttps://github.com/guillaumekln/ ... isper/transcribe.py
152 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。
3 N$ V  ?2 n2 x( F- t8，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。
% k# Q, R5 i' z, M0 v

# @9 P2 Q6 G7 A. [' g
; h* E' e5 p$ E

nanimarcus

多谢各位榜爷打赏。