faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

/ Q' ?) Z6 R- P/ u! \1 B4 e
& N9 y6 N4 u& r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。
) q; {" c3 |# A' {# m7 o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。
& T# {3 ~6 I  E+ ~----------------------------------------
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。
----------------------------------------
+ O# ~0 o, P) c* e5 T5 j1 Lhttps://github.com/guillaumekln/faster-whisper
安装如下：
- y  g0 @8 i2 T7 a+ o. l5 m% u. ^1, Windows 10
+ W* m( W. F8 Q( X, N" ~2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
6 O3 B- Y+ V8 K0 n: x: wpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
* f9 p: K/ U2 ]! u; ]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。
1 T: I9 E5 z' N; m+ O) l0 F  U5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
2 @, X$ X. y2 t$ `! c& W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：

----------------------------------------
3 s9 e! Z: m% e) E  X! m
! w) Y0 c% Q" S6 @from faster_whisper import WhisperModel

model_size = "small"

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

% z( [$ z! T- w/ D) z) csegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
# j0 M# ^- g' [    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
1 M) x; t+ C6 K& g# X* C
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

9 W; q0 k3 [7 j% J6 M9 M( C        for word in segment.words:
               
, J0 h3 _# ~0 F' K----------------------------------------

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。
( I9 W5 m6 e6 ]: W2，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。
; S, B2 ~& r+ [0 ~- m, a5 z# f) Y, r4，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。
5，model.transcribe 中参数说明：
, @* k. s5 \2 K, B7 h, Z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
! |) k" j5 T% |2 z: z其中
  D" |& \( I& c! I4 K: ]6 J  l- ~- ~* m    word_timestamps=True,
- y4 Z7 j0 _3 ]6 k0 E% }1 ^保证了你能拿到 word，否则是拿不到的
5 f5 a0 z. e3 Y  ?3 k    initial_prompt = "Hello, welcome to my lecture.")
0 m: g3 B% C) z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：
& k/ t4 i7 M- g3 g. Y2 O1 C3 ?, d/ |https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
) q' e( \% F. G) G6 D# ^% \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。
0 [4 T# r6 E- ]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。

6 T! G1 ~: e3 c' F" K7 H5 L

6 \, W7 R7 Z* L2 @, Z0 F2 B

nanimarcus

多谢各位榜爷打赏。