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。
----------------------------------------
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。
9 g) l( o# \8 c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。
* z3 U% f0 o$ ~) c----------------------------------------
* D2 s$ R0 R' H; L& C( p: Yhttps://github.com/guillaumekln/faster-whisper
安装如下：
& V- E4 N5 P& w/ X) k: W1, Windows 10
7 d+ v$ R' z. L( ]8 f' |+ \, E2, Python 3.10.11
' |# ]6 b$ r3 g+ ]; \3, CUDA 12.1
2 c" d3 d1 ^! Z% i9 k' Z& S4, 在python 3 中安装
: o9 q2 U9 p4 G4 c* p" F$ Lpip 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
这是向whisper 致敬，可以不装
& e( M- {: y3 t7 b* E- i6，pip install faster-whisper
----------------------------------------
1 P3 @9 E7 v5 Iwhisper 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 N: ~+ D$ q" O$ h+ V: ?9 U! ]
----------------------------------------
4 e$ e0 u: {; W' I6 {
9 u/ p; C( E- N7 @6 d. i' D* ]4 Mfrom faster_whisper import WhisperModel

model_size = "small"
* s. }0 `; q- ]5 c
model = WhisperModel(model_size, device="cuda", compute_type="int8")
6 E$ t% ?- d7 _; s; e" u. S
# z. \. u) {, y6 |8 `; @segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
0 O; E5 P1 ~: ?* D  \" }    language="en",
    task="transcribe",
    word_timestamps=True,
' S3 Z& G# @" b) i5 B  q) Q    initial_prompt = "Hello, welcome to my lecture.")

4 {7 }3 E2 e: A+ \for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
" X5 E: i" G( B1 `! u5 u8 ^
        for word in segment.words:
1 ^4 O+ f9 _, {3 f+ T               
( g5 b( q2 [4 d% X- q3 e----------------------------------------

  ]8 E0 g! W9 M1 V9 p" C' O; j代码说明：
& m5 U7 K* a7 q1，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。
- M, O, i9 d7 j& ?. y3，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 K+ Q  x' Y1 [0 ^6 P, r: B  T4，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：
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
# ]8 J, o" d  D/ R% V8 n其中
    word_timestamps=True,
$ E$ D6 J! m7 c8 ]/ c保证了你能拿到 word，否则是拿不到的
7 S% d( X8 @" I- I' @8 u& v, P/ x3 ?    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。
. u& @4 R0 `  o4 Z! b其他参数可参考源文件：
https://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。

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。
! v$ z- _$ y* u$ o4 E) o
1 }0 |# o8 j9 H6 E, F

% z& y; m2 h) r$ l2 q

nanimarcus

多谢各位榜爷打赏。