faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* n% n: {7 |  ]4 I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 y# y9 \6 [# @6 D$ G4 e5 K& M; E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。
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。
/ A9 x& ]4 C* W! u, }& G----------------------------------------
- f) C9 v: W7 J' R2 ?. dhttps://github.com/guillaumekln/faster-whisper
安装如下：
1 _8 W8 H6 E9 U/ S9 k% F5 D- j  f1, Windows 10
. g& p9 N/ D: r5 K) W2, Python 3.10.11
" I. A) ~, y! E9 D- K3, CUDA 12.1
7 r7 J6 Y4 V% w) x4, 在python 3 中安装
( ^, R1 D2 E( U& Cpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
/ X' h  ]- ]" D+ X+ }* g) h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
" `; b+ n+ s2 i$ d6，pip install faster-whisper
----------------------------------------
: h6 k3 v3 W( Qwhisper 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：
+ _, G" r3 h" [% y. q' i
+ Q) P- n, F" \----------------------------------------
( ]5 `, E; M1 b. K0 {8 T0 }
' A0 d1 }+ c3 }* P6 vfrom faster_whisper import WhisperModel

* G5 d2 w9 y* }0 s( D0 x) wmodel_size = "small"
1 l, D% I$ O1 ]0 {4 c3 l0 j
3 w9 W+ }4 u3 R) T$ Ymodel = WhisperModel(model_size, device="cuda", compute_type="int8")
; j# K: l, ~4 W1 V
) K' c3 |* A, m0 e% Lsegments, info = model.transcribe(
% J1 c- H- [1 d$ C: y0 C* A/ l    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
" B1 J7 n3 Q4 p; O% V    word_timestamps=True,
2 k6 g. R" ~: k% ?7 G) ^3 M. ]    initial_prompt = "Hello, welcome to my lecture.")

7 v' F$ K; l! C8 Xfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
4 ~, |9 M6 k5 ~. ?               
----------------------------------------

代码说明：
! h4 g5 |: s% ~" `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。
+ x4 _5 m6 p& d) R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。
8 X% S8 ]6 D7 [3 g! Y' J+ Z+ C( I2，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。
% V  U; b# R; i; m4，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
' ~' H3 ~9 T+ q1 K7 M比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
. L4 Q% \8 R! f7 U0 \/ C5，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
其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
$ K( C' T. _/ |) \! x: h! o5 z4 |    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：
( [8 i# T3 `1 t% _. Uhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
) h) u: C# S& t从源文件你可以看到是支持中文的句号断句的。

$ E# b) H+ ~* G$ R, r5 V6，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。
; N) j/ t2 _) L( `: ?! ]0 d8，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。
& G2 l. U. ]- |, i5 a8 B


7 H4 {2 i  V- f$ s" ~; r

nanimarcus

多谢各位榜爷打赏。