faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

: Y, J( o2 u1 C, }. F$ b- P6 i$ D
0 o: H4 M4 }' E3 o, ]. i' C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。
6 L0 u) H' }/ {( B+ D1 p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。
$ G4 ?: \* i% }+ T. P1 G- r* J----------------------------------------
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。
* L2 m, s* b8 p7 p) o7 T----------------------------------------
https://github.com/guillaumekln/faster-whisper
1 f5 Y/ w* b  |. p, i' ?1 @0 Z安装如下：
1, Windows 10
/ m# b: Y( r) W0 z2, Python 3.10.11
3, CUDA 12.1
2 ^0 U, f; C0 F% E' Q4, 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。
& C( `$ o/ ^2 A6 Q# _( G5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
2 V' P2 W/ Y) Q6，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：

----------------------------------------
" S% s& f# B( s+ B7 R7 X. c
- D& j, K4 U6 V0 Pfrom faster_whisper import WhisperModel
) x6 ]: Y6 E6 T' z# H
) l1 {- w9 x. Omodel_size = "small"
. \( s! O% x8 \- G% o
2 m- ~; o/ a6 tmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
: C6 P' a7 x* R) O8 k; `
: n# L4 u7 ~6 n" e6 rsegments, info = model.transcribe(
    sourceFileName,
- X* D1 q9 U8 e# ~% r) V    beam_size=5,
" [' R2 r4 E. H3 x  b  l$ t    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

+ h/ P3 g/ n9 }6 Y7 Afor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
; q6 o9 O3 T7 J4 d* P) a5 N               
7 \7 S, I" [0 w& {----------------------------------------

1 S3 B/ q) C' E8 T+ R8 ^9 H代码说明：
, g* m9 u8 s+ ^# m$ r1，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。
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。
! W' |) j: y. K' C7 j" x4，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
7 m) r4 G* ]; I! w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
; J* w- d# r, N其中
1 m: I2 y7 y! V9 n+ J/ }) q' K    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
! l% x' q2 w: C  Z9 O    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
* v7 B3 _0 v9 J: |# j152 def transcribe(
# ?# M* o% Q' n) I- J5 ]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。
+ I. E7 {6 G, z  S1 ?; [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。
7 I0 u  e5 a- i' d1 u

3 ?. q# s( `8 e3 `, Z

nanimarcus

多谢各位榜爷打赏。