faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
1 ^/ W! J* A3 s2 e& o, ]: N  q  E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。
----------------------------------------
8 n& f; R5 B; |4 j3 I" b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。
6 c, R. ~) H0 n4 W% j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。
----------------------------------------
3 A8 d9 B. W/ ]1 n$ w$ mhttps://github.com/guillaumekln/faster-whisper
安装如下：
% y2 ^  ]. `: S- a2 b( ~1, Windows 10
. R1 C5 D8 K0 l* T& S2, Python 3.10.11
3, CUDA 12.1
! o* [+ ~' R9 q3 o. N4, 在python 3 中安装
: W. ?5 l# b. M* ?5 |) epip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
* p. _0 y7 ?6 S( W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。
; _2 A2 I* ~4 n- x5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
/ i5 `; U( m7 P----------------------------------------
whisper 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：

----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
1 m9 n* W$ P) q7 {& l
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
* H! {" J* s! X/ Z) J4 ]    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
" k$ [/ N0 a0 _7 G( r! l    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

! n0 |' m2 Z2 }8 N, f        for word in segment.words:
               
( b" L- Y" Z9 b# b----------------------------------------
$ D8 R" W) f& R( B
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。
* Z4 y% F$ h/ o' {' }) [8 @9 @. {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。
$ m9 }  V3 b' b. D6 }/ v  \; t$ b0 f4，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：
) T: U  T% `/ ^8 z; f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,
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。
' P* |- _$ W/ k0 _, g) E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。

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。
. l9 W) K  {1 V$ L. n: F: M7，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。
2 K; X+ m+ v$ f7 N

/ i% Y+ K) l) p% ?. J% @

nanimarcus

多谢各位榜爷打赏。