faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

0 i% q$ _9 j4 P. z1 l7 K
' X5 m/ |" J" }' x# b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。
/ f/ E( f  |1 ]$ L4 S% r+ I9 L, D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。
----------------------------------------
# p6 M) O9 y2 u9 b: N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。
9 U& l$ `2 _# T4 r2 n----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
; R7 m$ `; k( K4 k9 L3, CUDA 12.1
2 A- J2 U( Y+ f" k$ R4, 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。
5，pip install -U openai-whisper
4 P/ M' z$ K3 I" T这是向whisper 致敬，可以不装
# ]( L+ o( I/ v$ S. `' v" k6，pip install faster-whisper
/ Q) B9 \1 f! M: y# }----------------------------------------
7 G+ l& s: o9 f1 J. ~9 z: `$ z9 hwhisper 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：

----------------------------------------
: p* z) }7 `) ?* ^
. [) w  K  I2 S( mfrom faster_whisper import WhisperModel

model_size = "small"

5 }( H' c$ c" kmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
6 G. {5 D& @! J6 n
1 @% |% F/ \" m" x. T" [" qsegments, info = model.transcribe(
    sourceFileName,
* g- W: M3 {/ @/ d+ P    beam_size=5,
    language="en",
+ k! T" W6 r7 v6 j4 O    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

/ |) U% T9 }7 |2 ]( V! G* P2 ^) w" R% pfor segment in segments:
; T. i# b0 ]7 R% z    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

  V: w8 b4 t' d        for word in segment.words:
               
) F- x( ]2 @- x; X$ m3 ^( U  f----------------------------------------

- R# M5 K0 h5 N" C' w代码说明：
/ p9 w7 Z& t& j2 ~0 g3 R5 K* r- @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。
) v! `' x( o; u! F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。
( U2 B+ {0 @5 M( j5 H1 P2，segment 本身是很粗糙的，做字幕勉强能用。
- v/ `5 q4 l: ?; d- Q# G3，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
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
8 k+ q9 K7 T5 t5，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
7 E5 `- `; Y2 l" f0 \) O其中
' u0 x" H" D4 J( J2 M2 H' P" J  P1 m    word_timestamps=True,
) G1 _% z6 H. V保证了你能拿到 word，否则是拿不到的
4 e! F! u0 V5 N- ^" \    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：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
2 E7 `# u0 [6 |( r! p
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。
1 i4 a0 ^- ]4 W0 Q# v7，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。
0 S( _* H; S, b" Q0 f) T( z( ~
& A( P- `: Y6 }  g; ~! T7 J8 p
8 c" N1 Y+ v  S: A: _5 V. R3 d  T; x
' |9 n7 s8 w9 b9 h

nanimarcus

多谢各位榜爷打赏。