faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

9 j0 M. x6 I( l- Y0 E$ }3 c3 D+ W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。
----------------------------------------
, W' A/ K9 X2 K9 l% _4 p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。
----------------------------------------
& D+ a* ?; e. t- W. o/ V& qhttps://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
1 t2 J; H+ m/ v" f- I2 V4, 在python 3 中安装
  Z1 T- x( v, I* j' F3 opip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
$ |1 K' K: H9 J' _  z) H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。
; X  c- N4 g# A4 b$ P2 N5，pip install -U openai-whisper
8 K5 x: p& n; ^4 j' q6 t0 A& n1 `6 G这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
: L5 O0 c4 a0 U" t( Z  |) h1 Cwhisper 我用的命令行，faster-whisper 我用的是python。
* Z& q% i8 J) v7 W, r7 Q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：
( I. V/ ~3 @* y' \2 p3 O
----------------------------------------

( M: A8 S( Q5 [7 V, p% q7 R  qfrom faster_whisper import WhisperModel
! h& Y, X% ?/ W2 t
model_size = "small"
0 ~( E4 F; @5 U) @4 a
model = WhisperModel(model_size, device="cuda", compute_type="int8")
( L1 P. I# U- ~' P# f" i
" M- _6 k& I8 {4 p0 U9 v+ ^. Msegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
" |" s6 A8 O& P& o0 X* _6 q    language="en",
    task="transcribe",
) n" m7 _8 l/ Z, `- G1 C    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
! y/ B& J( |2 g' S4 Y    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
9 u- ~# c/ q: z- P/ e               
4 Z3 D- x$ D" R6 w----------------------------------------
) N/ h3 ~; ?" Q% F4 x3 M5 S
代码说明：
, w6 c% V/ m& ?7 N8 {2 A. J1，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。
% R  a1 y+ N* h" A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。
: T: s: ]3 e6 ?5 c- t4 M+ u9 R+ ?2，segment 本身是很粗糙的，做字幕勉强能用。
/ h9 a3 F# b7 m# x$ P' O) t3，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
; ]" y2 Q# i  ^比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
1 q) |7 I8 A2 |5 ^1 b" D0 }1 ^5，model.transcribe 中参数说明：
3 f' U; e* \7 f7 k6 d! F2 R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
7 q' M/ M1 U  {* A/ H; K    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
: V6 y) @; @5 u    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。
& O. }0 `- ]4 \: H+ C其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
& I& \0 Q6 c: y0 u; u152 def transcribe(
; Y/ V/ A/ w* Z  x. }8 t从源文件你可以看到是支持中文的句号断句的。
5 M* {" W* F$ j, t# G
+ m7 o4 `% c4 s( V8 C6，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。
& g4 K7 U  A+ w+ x7，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。
, ^0 F3 f' z3 X) A3 {5 x+ ]4 ~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。
3 \5 @# B7 H% B
+ |7 k& M3 [' r: a7 x, @
2 T. S9 q; c# Z

nanimarcus

多谢各位榜爷打赏。