faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 f% `0 Q/ n* f
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。
----------------------------------------
' ~$ \( l$ i% v) 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。
+ k6 M1 \7 b% L( n4 R( C----------------------------------------
: X. }8 J, ^3 [$ }. ]https://github.com/guillaumekln/faster-whisper
- @# j9 c- Z$ P! _安装如下：
1, Windows 10
& ]* p9 E. A; |" j5 X' Y2 u5 s( ~, I5 h2, Python 3.10.11
3, CUDA 12.1
9 U5 e6 f' t. N4 b4, 在python 3 中安装
9 X+ ?5 D+ G% d( ?: d5 H7 mpip 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
; d1 K( f- M/ a2 K1 r+ f  I; v# e: ]6 D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。
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：

( R  I, @5 L0 G6 t----------------------------------------
" G8 j! P. i1 k2 c
) C8 k5 N% h3 l- Q1 ]+ O2 Lfrom faster_whisper import WhisperModel

" o8 H9 v4 j4 |6 }! h+ C: M- {- Gmodel_size = "small"
. x# [2 A5 x) @) ?9 I
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
6 ]3 b8 m2 {7 W    sourceFileName,
    beam_size=5,
    language="en",
4 P) U3 M" w! _: S( N    task="transcribe",
3 y# S6 H5 E- p" l. g    word_timestamps=True,
6 E4 k0 U% a4 f! Q# I    initial_prompt = "Hello, welcome to my lecture.")

, @6 k$ |' P( w: Nfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
# i' {, e" m3 I7 Y, S
        for word in segment.words:
1 P9 b3 H6 d+ k& b               
: I4 c# H( @- D/ i+ }0 ~! J2 }----------------------------------------
/ c/ v- u6 c% u6 h+ `* e+ t
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。
9 |: Q, m2 o+ q* B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。
% w7 x/ x6 _1 q8 ]2，segment 本身是很粗糙的，做字幕勉强能用。
9 z9 R. B  y9 M& m. D  K) |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。
& N- o2 ^" D4 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
7 Y4 T3 m$ u( @; v* e! r* g  @, ?比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
0 k) \  b  E$ Q" i1 Z$ B5，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
& Q6 Y2 H! {% y其中
' G9 Z4 ^- y! `/ V+ N4 i    word_timestamps=True,
3 m: q) I0 ~2 f: E4 Y( {* l保证了你能拿到 word，否则是拿不到的
9 i3 f& g. H! H) q    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。
- v. ?6 [, I; [; R+ C; \其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
+ Y8 z" B1 C5 ~* a5 }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。
- J; M' i1 _! l9 G& u" f+ t7，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。
7 ?9 [4 l9 l; [1 g8，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。
- Y3 w8 s1 H9 A$ o- V* L/ T
" ~& K4 ?/ Y8 Y+ g- e/ e
  w7 N; F% T% r2 {  Y1 p

nanimarcus

多谢各位榜爷打赏。