faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

6 Q1 {( v' P% n5 y
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。
; L( f; Z& A; w6 P, Y6 v5 N. F) N----------------------------------------
  w* g  B( _- f) R/ h2 I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。
8 f( A8 E4 f0 @  v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 V7 ~' \; N  Bhttps://github.com/guillaumekln/faster-whisper
% X6 s+ b* T! t% h$ N. y安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
' s; L3 f3 F3 i  k" h+ s$ e6 T4, 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
0 t6 ^5 L) J% T( R( A; U" c! r这是向whisper 致敬，可以不装
6，pip install faster-whisper
3 ]5 A& @2 H" Y----------------------------------------
1 c1 e, \' i6 q  ywhisper 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：
! e" V3 c3 A! _% D
/ ]* v! E7 }) a- g& X' W----------------------------------------

: s; U' U' h$ u1 m2 {3 dfrom faster_whisper import WhisperModel
# \7 o6 t1 _6 m! X
model_size = "small"
, n$ x3 I) W) e" x: |
model = WhisperModel(model_size, device="cuda", compute_type="int8")
5 Q$ x* ]& X. U; t/ D3 o
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
) E, _6 q. X7 F& k    language="en",
    task="transcribe",
    word_timestamps=True,
) k& S% X) L8 G    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
. H- Q3 H0 x( e% J- F               
5 E( }* {" B# {* R0 T: V- I----------------------------------------

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。
- y5 Q% q, S' O6 i! S! a2，segment 本身是很粗糙的，做字幕勉强能用。
+ {6 y* \" P  C5 d" w3，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。
( d0 ?$ K0 \7 F1 u+ C4，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。
2 Y6 C+ y& ]/ l9 O5，model.transcribe 中参数说明：
. ?$ t3 K$ }7 q5 z9 g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,
. K* ?" l8 N; f; w3 s保证了你能拿到 word，否则是拿不到的
5 c2 G. N1 y5 }  h; K5 a  o/ T    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。
7 D6 o9 ?  a# g. M! c) u其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
! n1 f6 ~$ n/ e# L! ~152 def transcribe(
8 p$ h5 }7 x7 \0 m! i* [0 J从源文件你可以看到是支持中文的句号断句的。

; U4 R0 w- G8 ?+ p4 j- 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。
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。
- V# R3 M% l6 u+ h8 z7 @4 f5 s8，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。

! q$ D# v4 s) |% o: I7 f  f& e; M
; d" T1 J( R$ x9 f
9 G3 K- ^% s) P3 {

nanimarcus

多谢各位榜爷打赏。