faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

; n$ e1 y! \  @1 E" r* @2 h. ?1 u
  Z8 |+ d" ]* @) t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。
7 H+ W) y7 ]0 P2 e" j' [9 Z: j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。
----------------------------------------
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。
! B0 y5 r% g  X4 _& Y% |$ C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
安装如下：
1, Windows 10
/ m1 w6 y! W) q8 p, m, v+ [6 _: o! }2, Python 3.10.11
3, CUDA 12.1
* S0 W5 m( G& t; j: j4, 在python 3 中安装
3 h( w# p. q6 u# S9 Jpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
6 h/ V9 ^) a1 M5 W- u! x% @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" K; ?/ R7 o1 @; Y5，pip install -U openai-whisper
7 f1 d) f$ H0 b& v- @这是向whisper 致敬，可以不装
6，pip install faster-whisper
4 Y. P9 I! c8 ~/ j8 E" m% ^----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
4 f8 [! d. E/ Y1 Z5 Z6 ], U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：

----------------------------------------
. ~. N4 E. v6 g0 ^
* M) t$ N2 D6 o9 l" V# Tfrom faster_whisper import WhisperModel
8 x+ i. y8 b; G, L
model_size = "small"
5 A3 {. a% H( V$ W: V
: H% W7 q8 G$ M: Q' Omodel = WhisperModel(model_size, device="cuda", compute_type="int8")

' ?  I+ V0 m4 r' vsegments, info = model.transcribe(
' k% m7 Q7 z+ N+ S, I    sourceFileName,
4 C* `% P0 f0 ~3 i8 ^0 b$ V    beam_size=5,
    language="en",
    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 R% y5 k3 ?9 u4 B+ P' {9 ]; V        for word in segment.words:
               
----------------------------------------
" L3 B7 t& |7 J% J" t
代码说明：
5 Q! [5 v0 b3 x6 c! g' l1，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，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 _2 v% [! k4，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
: E( I& u, I/ q: L# [% r4 J; |* ?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
) h7 j# o7 M* }+ F+ s/ L6 g    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.")
保证能尽可能准确的断句 punctuation，但是不是决定性的。
' k4 C" r6 s" O0 y( W$ e( e, R其他参数可参考源文件：
0 ?" c! |7 ^- _. l3 vhttps://github.com/guillaumekln/ ... isper/transcribe.py
* u8 W5 u, u" Q; }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。
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。



9 ^! S4 Y# I  _8 Y

nanimarcus

多谢各位榜爷打赏。