faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

  \0 G& w' g7 S/ 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。
/ Q( I- p) e1 K----------------------------------------
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。
' u  ?1 u) e5 H2 V9 d  R! s- M$ @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。
# X& d' a4 m9 w. c2 O! u# b3 h----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2 Z# \9 t$ n" x/ s3 Z, {& `2, Python 3.10.11
3, CUDA 12.1
( o! q; @' l* L; B" J8 ~$ I& M4, 在python 3 中安装
. X6 X% O/ f. Q$ u1 O7 ppip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
* ~) b4 A- r- v# A1 _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。
# A. V' v" r& n1 K& R2 i+ n5，pip install -U openai-whisper
8 K) y. `; G. B- O! b) ^3 J9 K这是向whisper 致敬，可以不装
6，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：

8 [$ R+ j. n8 g5 s1 L----------------------------------------
* w6 D3 Q5 [# X' Q& x/ |" j
( X8 w& e! G" I& d- G. K% W, Gfrom faster_whisper import WhisperModel

( U* b- I; Z  ~/ g6 ]model_size = "small"
0 N7 R; a0 d9 t! W
- x. \% C, t3 N, y  jmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

( E$ b0 y; d! g" q, o6 ysegments, info = model.transcribe(
8 z, t. @+ j( S: I* m    sourceFileName,
    beam_size=5,
    language="en",
' R% c; C6 \% P    task="transcribe",
$ Q5 J5 Y0 Q! L8 I5 O5 W    word_timestamps=True,
' s% _+ C* P. L/ v8 A7 F+ L, F    initial_prompt = "Hello, welcome to my lecture.")
! M" b* }' Q0 Q; m) h, O
for segment in segments:
* F- I4 M! [4 `( J- A    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
7 ?" _% a; D, a6 G, F! M# J----------------------------------------
+ }. v( ]! ^- O1 O" e- j0 P+ |1 l6 n
代码说明：
4 k0 ^4 `4 S! |& T9 G# D1，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。
# }% F9 s  s- _) I5 O4 `) B4 ^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。
0 R5 ]. l, H8 ^( I2 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。
- t8 t/ x. o$ D1 o4 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
1 y: q  c0 x( z8 U4 h: h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：
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
7 o/ P% |! f  V! N1 ~其中
    word_timestamps=True,
( S- _" q, @+ D5 L# ^8 M保证了你能拿到 word，否则是拿不到的
, F5 i- Z& n0 x4 I" u6 q    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：
https://github.com/guillaumekln/ ... isper/transcribe.py
4 I& |1 E$ s5 K. z; Y) z" t152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
2 v* ~- Y) O! q
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。
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。

& D& h, e% c0 p

nanimarcus

多谢各位榜爷打赏。