faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

2 \' t5 K% \8 Z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。
----------------------------------------
. j$ p; x3 X" p/ F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。
----------------------------------------
0 }) A2 E3 T" s% D1 whttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
. m! g2 l4 v( v% Z  A' X2, Python 3.10.11
3, CUDA 12.1
1 w7 z2 i" O7 T# C& F$ y! H4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
- H' O' O; G6 h, w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
# e" x0 V9 ?9 p( U4 o) ^4 @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。
( G# s, n9 [- _2 E3 z& P8 V6 B6 ~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：

----------------------------------------

from faster_whisper import WhisperModel
* ^6 o. V( g: F' Z! r
, F$ {$ x0 P& U- W- b% tmodel_size = "small"

8 n& e4 X0 w9 i3 I( Wmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
  `4 f; I: |# E# d7 a" |
3 U4 S3 C5 c5 _. x! N/ Jsegments, info = model.transcribe(
    sourceFileName,
. x5 K( z+ j  U5 Y. d    beam_size=5,
    language="en",
, w) h2 q. b( R. D: ]" c. s# A% c    task="transcribe",
  }4 `3 ?" W. f+ i% Y' X    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
, t6 Y4 q1 Z! v+ d% ?3 t* C
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
! c  x# ^' Q2 J+ J" }5 O" K               
----------------------------------------

/ O6 U4 U9 T# Y+ W- P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。
2，segment 本身是很粗糙的，做字幕勉强能用。
) O& Y5 z2 I$ E* L0 o- s( H% V: B3，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。
- p4 J/ f' S& U$ d' q9 v1 `" W4，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：
+ W+ o1 n! \1 D9 j  P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
+ ^* `% L( |* ^6 s  t    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 z, ^. a# W" F2 n  Q$ c) {保证能尽可能准确的断句 punctuation，但是不是决定性的。
9 Z( T) s& K$ ?5 N4 p' u其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
# v6 `  x" b2 z9 }152 def transcribe(
1 _/ l" ^1 R6 l1 j  {从源文件你可以看到是支持中文的句号断句的。
% t; i$ u7 \+ N7 ^3 g
/ u# B) ~4 B8 z% V6 p9 v  h6，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。
) O9 x, E* g# _  t! Q7，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。

& Z5 s5 P3 J1 y) ]4 |' h" x& Q

nanimarcus

多谢各位榜爷打赏。