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。
4 R/ B4 K) j* z( s! m, A' F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。
. b4 `! G& i8 J# `6 k; Y; V& p----------------------------------------
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。
0 W: h! O3 X, S+ Z; n, m* {% ~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。
----------------------------------------
' X$ P1 Y( \  P2 Whttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
& x. J! V( W3 l7 h2, Python 3.10.11
! t2 F& q' y+ w3 a) R3 \, P3, CUDA 12.1
$ v5 W0 l# @2 d- ^3 R4, 在python 3 中安装
) O; S/ F* [8 A6 W" Vpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
9 m9 D9 e7 |0 n0 m/ Q  [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
& S9 O$ N  K# T; @6，pip install faster-whisper
3 q& I/ W, l( `+ @. _0 v----------------------------------------
& c2 n; B" Z% Vwhisper 我用的命令行，faster-whisper 我用的是python。
! m7 m$ O  e- w3 E$ ~7 H/ U9 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：
! y' Y: j4 a0 |* K6 w
) t, ^, Q0 {) l3 f  w) n----------------------------------------

6 |: E( ^6 \4 s  p' P7 {2 Ifrom faster_whisper import WhisperModel
0 Q6 l  B. F4 L6 t3 J9 g
/ q" G) v. x/ R: xmodel_size = "small"
- p& _5 f+ ]; \/ z
model = WhisperModel(model_size, device="cuda", compute_type="int8")
- J" @. G% g: w# A: g8 C% G
segments, info = model.transcribe(
    sourceFileName,
* l, Q& Q0 Q' n. E    beam_size=5,
+ C' E# K1 n, l1 Q* T    language="en",
. f5 d! ]. Q' ]! w    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
. {* p! Q1 y* x: ^% V$ m# b
* o# l/ X8 }) z/ mfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
" }. Y" D- \8 A
        for word in segment.words:
' Q# a/ @* q" ~3 l0 o* l! x5 }- J               
$ c/ z& s& v$ l/ W! @% u; N----------------------------------------

$ P" }# A" M0 t, s/ K! o代码说明：
2 g1 y: l( @' x* J. u1，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。
6 k  m7 `; e9 z6 i: M; L3 z3，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。
3 E2 [- F- z  @! z* B4，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
; _4 u) O) @; _  R+ J' Y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
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
7 r% h- u  Q) ]+ v7 r# n% v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：
7 |5 g. G/ m; W3 P3 P: G7 y1 Yhttps://github.com/guillaumekln/ ... isper/transcribe.py
) ?9 s! H  J, a2 ]152 def transcribe(
1 B0 I+ l6 ]: |& s' H. k$ Y从源文件你可以看到是支持中文的句号断句的。
9 ]  {) ?6 d( m# R) c8 |
# P3 b9 ~) i1 s! n) l/ _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。
! b8 d' Y# ~9 V8，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。

nanimarcus

多谢各位榜爷打赏。