faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

. Q1 z# Z8 }% ~/ w# d: z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。
7 u( X1 {+ b. G6 F* v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。
----------------------------------------
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。
4 ^) e' n' T1 a6 X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。
----------------------------------------
: Q; }0 d, G: h* R6 X& f) d# P& Bhttps://github.com/guillaumekln/faster-whisper
) y4 @) h  e& x安装如下：
1, Windows 10
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
; y1 E( Q: s! h) g& {+ 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。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
7 M, ]. w/ \" s$ ?( ]6，pip install faster-whisper
! i7 U. w3 F5 \9 j7 x2 W2 [/ J----------------------------------------
/ [+ m+ A: p. ?  F7 e4 Q, Rwhisper 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：
6 M6 g8 K8 U) A1 O$ W0 [* u* a; ^3 I
----------------------------------------
$ p, W" D3 o- X# b* d+ u
" h+ L8 s2 @6 _8 p) Y3 Z3 hfrom faster_whisper import WhisperModel
3 ^- A6 z( k5 b$ M
) @- T: e* j* y  ^+ X$ rmodel_size = "small"
- o  N4 K0 m' z2 f# Q3 H
model = WhisperModel(model_size, device="cuda", compute_type="int8")
) B! D& h" e/ b$ P) C, o3 N
segments, info = model.transcribe(
    sourceFileName,
8 ]2 W7 `, G( q: c    beam_size=5,
    language="en",
) j9 H0 x! K1 _    task="transcribe",
/ f& v7 ~) x7 i- |2 D- y    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

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

0 E2 o( Z3 c8 M9 S, K6 C        for word in segment.words:
3 l" P9 V. E/ ]( m# C  _               
----------------------------------------

0 \0 F* J" D5 L8 `& ]4 f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。
- P+ a# ]  j1 Y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。
4，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。
* c& q$ Z7 w1 k+ e2 ]# }" e: @5，model.transcribe 中参数说明：
( h$ K# h& D' q( B" T3 F/ 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
7 v2 f! y3 q: G, R7 T    word_timestamps=True,
! {3 k. ]& r7 [$ P保证了你能拿到 word，否则是拿不到的
+ _6 o  B+ a0 P! |4 k. T2 l    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" l( U- \" Y! ~: A  Q7 E其他参数可参考源文件：
/ x* P) _3 W3 d9 _9 ghttps://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。
( ^) {: X3 Y* U/ d% R( E! o, }- I
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。
1 D3 X2 M: D0 q0 @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。
( z6 t2 J4 u; i! ~. F, t8，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。
0 S: c9 U9 Z* b  o

nanimarcus

多谢各位榜爷打赏。