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。
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。
( j% Q- Y3 X# i7 J9 N----------------------------------------
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。
; e3 S+ c4 H. ]9 M9 p7 T8 k7 ]- K: q1 q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：
3 h; X7 y  l) Y8 C2 l8 B3 e1, Windows 10
8 |3 j/ g4 q! K$ ]2, Python 3.10.11
3, CUDA 12.1
4, 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
4 i, H5 T8 w' d% }6 U% \6 z这是向whisper 致敬，可以不装
& h8 k- O( X. d$ y. O/ z6，pip install faster-whisper
----------------------------------------
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：

, a* j) p  y5 U----------------------------------------

4 J3 }& _; L) j& u5 R# _, `from faster_whisper import WhisperModel
) k9 i1 c/ L- t2 k8 S
+ Y4 `: S2 A: T! O! T$ S- rmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
% M' x- F" [2 c' V, {. i2 V
- F8 K! _9 U3 B- L) y+ ~0 D" z& ]1 wsegments, info = model.transcribe(
- {7 {9 {0 f% D1 P7 P7 @    sourceFileName,
    beam_size=5,
    language="en",
8 T6 |9 L6 k6 u! b; \4 Y    task="transcribe",
    word_timestamps=True,
% [4 A, V4 U. e* R8 r2 c; \- L    initial_prompt = "Hello, welcome to my lecture.")
5 l9 _3 E; J4 k# G
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
2 A6 `5 ~1 C) S  \# w
        for word in segment.words:
+ M; U" l& m: C7 Z' B# l               
- J) Z" P) d$ `3 G/ I7 {" {----------------------------------------
* w1 i7 @. |4 W7 `- ~
代码说明：
  L4 H* C$ Q  C7 n1，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。
3 h7 h5 Z  z% Z% X5 f2，segment 本身是很粗糙的，做字幕勉强能用。
- S. s0 {* A2 c7 N3 d4 l" z3，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。
' p5 A4 x& F" ^: {# g4，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：
( f1 x) ?0 K; _' H+ k4 R  ?3 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
4 A0 R  ?! e) `4 P. j2 s0 s) G6 f    word_timestamps=True,
* j1 c3 M4 E4 M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。
其他参数可参考源文件：
4 }; D* J: R/ w9 ~. ]https://github.com/guillaumekln/ ... isper/transcribe.py
2 D2 e- ]+ t1 {152 def transcribe(
9 a$ J, u$ J+ l7 Q  ]% Z* h% _. V从源文件你可以看到是支持中文的句号断句的。
: R" w/ |  U3 E; H' G; z0 O
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。
9 l% j# F6 m  j" k$ r7，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。
2 W5 _( ?. A- n, [* K) a8，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。

/ u0 f% u& v! c: B7 N  k' S( A

nanimarcus

多谢各位榜爷打赏。