faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

, O3 A/ ^2 a. H# |9 b! u5 x
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。
- W+ ~8 T2 ]* a* ^% b% t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。
----------------------------------------
2 l) s1 Y* {* H7 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。
1 Q0 u& c# r; O8 X/ y' ^( y, 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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
' g; b! p; A: T" b. s0 C* b1, Windows 10
, Q5 J/ _' [5 m. l9 @# R2, Python 3.10.11
7 z* k% }7 H) t( O* H3, CUDA 12.1
3 x" k. W5 h% w3 l# ?7 i4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
2 [0 D( w& t; |& j, E% F, J# g9 \( K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。
; S2 ^7 E7 Q, I- D6 k/ C5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
  y0 @6 c! t+ b' x  g6，pip install faster-whisper
$ e' v  @. e: ?) G' d4 [$ l+ `5 L----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
$ l6 m7 r- \0 q* U6 ?8 q6 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：
& M1 }1 z- ^- `; ]3 M5 R. ~
----------------------------------------

7 a7 {. ^9 X  I) |3 Rfrom faster_whisper import WhisperModel

$ m2 v. X' G# g3 P9 o. v1 Imodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
( Y4 M* F1 O( H7 O    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
1 t5 J( L" R6 B2 l* i; `    word_timestamps=True,
3 ?/ w& A9 p9 _( ?) X: W& M    initial_prompt = "Hello, welcome to my lecture.")
" e1 A, b; z. ~- t( z
for segment in segments:
- c& p# U2 |' U/ U+ W1 d4 |    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
' N& f1 D0 I8 R- y) ~               
----------------------------------------

代码说明：
& ]/ [& c9 B7 t) k9 P1，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。
$ |! Z2 I, C3 S$ R: S; I4，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。
0 r# I' v" O+ X$ ^& S5，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
! C( U. X3 K0 P: a- W其中
1 f3 ?2 o% E, u6 N' y) _. a5 J, O    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
- l9 Q0 |: W# `# D    initial_prompt = "Hello, welcome to my lecture.")
/ u$ Q& d% y) C2 ^6 \! ]1 b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(
) }) Z" x( l$ g6 T' r从源文件你可以看到是支持中文的句号断句的。

% E* a* K! U6 P( W# U9 F0 Y6，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。
6 U! H  u7 E2 `  h7，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。
' w" [3 a6 B* e! K! R) F

, |6 E+ j) p3 q( [9 u; k
2 d( \- ?7 k- }3 u

nanimarcus

多谢各位榜爷打赏。