faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

) M& q& Q, N& k% ]5 _
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。
----------------------------------------
% C* O' T* y) Y- [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。
----------------------------------------
1 u! \$ D& J+ v1 w( n; ghttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
/ R; Q; v7 o! H, u& p" e0 B* V3, CUDA 12.1
4 M8 h. a+ _8 h% x! R% }# C7 P; Z; k4, 在python 3 中安装
1 \9 e4 I, [3 Xpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
$ A: F5 G1 B  C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
1 I; ~1 M# ?3 a. ^( F3 t) S. M这是向whisper 致敬，可以不装
: X2 k0 n* ?) Y+ B  _0 ^$ _+ G6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
* U& S; n  n3 e7 l4 ?: b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：
' S0 h* T8 R* U' O; s! f
# q/ L' b- Q3 O, O9 l----------------------------------------

from faster_whisper import WhisperModel

2 s( G0 D5 y3 G7 u7 ?7 rmodel_size = "small"
9 q" ]6 |4 @2 t' f  J; S$ P' t% D% u. H
model = WhisperModel(model_size, device="cuda", compute_type="int8")
- u/ A0 K: |; }( L* \7 d
segments, info = model.transcribe(
    sourceFileName,
! u# A; n7 x( ^  Z; w2 V. V  w    beam_size=5,
4 `  e2 R- a8 G# z5 X# c6 {    language="en",
0 t; m/ C1 n3 z$ h" c4 @; A    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
+ \1 h# Y% [2 |1 {
3 \, e7 H1 L1 R        for word in segment.words:
# q4 U9 y* d9 K' L' P$ m- u               
4 e0 X4 v- @  y% O5 F----------------------------------------
. \: j$ I' m% V/ x" W
0 d' ?+ ^9 }, E* W* h代码说明：
  E" w& `3 T  v$ l0 t1，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。
5 m+ c6 w4 e+ b  h2，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。
  X. ~5 E& k& E4 y& }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。
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,
8 R$ J) G% n9 q0 b, K保证了你能拿到 word，否则是拿不到的
    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。
其他参数可参考源文件：
( @* n% d; k1 F5 N# t, l3 q1 X, ihttps://github.com/guillaumekln/ ... isper/transcribe.py
# ?# n. h9 y0 [152 def transcribe(
  }8 U; {0 ^$ a! |* C$ _3 T, [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。
: Z" V2 t" G7 E, C7，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 b, s6 ~5 r" G4 x  p* [8 M3 p

nanimarcus

多谢各位榜爷打赏。