faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

- S) d" T: Y) `9 j) ~: N7 t9 l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。
& {, x7 H2 M& g, O0 i  N----------------------------------------
; z2 p: D" x6 q9 J, u* Y& \/ c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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
# M# w4 u% t/ n) l* K安装如下：
" a' k" \  ~/ h& ~1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
pip 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。
) b% G7 V- [& h. s7 ^5，pip install -U openai-whisper
+ Z* i0 w1 F1 p6 I这是向whisper 致敬，可以不装
" r( f# d1 y4 X6 z+ L; y9 Z6，pip install faster-whisper
----------------------------------------
% I4 `( e! J+ F/ _4 s4 ^3 i2 vwhisper 我用的命令行，faster-whisper 我用的是python。
2 b3 X. y& V3 |( P: U- E% 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：
8 S  J- C9 o  o
# `% P9 e* S7 O7 B- l2 a' J8 |----------------------------------------
+ e- V3 c! V& \8 W7 h) |' [+ E
" J4 G( t: P% t, |# V- K4 Qfrom faster_whisper import WhisperModel
/ g. y" G' h3 a0 g/ z
5 ]: A6 g' U9 E) [7 Jmodel_size = "small"
/ E4 O% q+ ]9 ]" G+ d
/ f0 R+ ^/ \4 x8 Q2 Y7 G, kmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
2 D: i) d9 ?" u+ V8 k  M
segments, info = model.transcribe(
    sourceFileName,
& q4 G, `9 i" M- @; [    beam_size=5,
& J. z4 b9 d0 x3 v5 o/ T    language="en",
" ~. ?) ~8 ~" I; s' g    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
4 W+ v, s' i, {& {$ M( F
& H% D) k! f- I5 y. i9 q' W- Mfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
7 Z. L% N8 e  N' \% L, L7 @               
+ n( Y5 E5 ^7 t+ i: O----------------------------------------
# g, t- l4 U- ~5 C, \# }
; n4 s4 @0 C" x+ q  G3 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。
2，segment 本身是很粗糙的，做字幕勉强能用。
3 h4 Z- G! P" [2 A* `  J3，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。
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
+ B# _8 T! Y4 o0 j7 ~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：
0 w( Y$ D* s8 r, a* T: {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
' p; F& B. D  W# Y( P% N0 v6 T其中
    word_timestamps=True,
, B8 {) n$ c% _保证了你能拿到 word，否则是拿不到的
4 J2 `$ e  m; o" b1 g. q    initial_prompt = "Hello, welcome to my lecture.")
6 q6 F( L- l1 D8 w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：
https://github.com/guillaumekln/ ... isper/transcribe.py
. V5 r, f: q6 b! O- Q$ O152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

: w$ ]$ D3 c; 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。
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。

8 ?" H3 d$ U" _$ r6 w/ Y& `

$ G1 }" |# q# k$ F$ I  P

nanimarcus

多谢各位榜爷打赏。