faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

/ ]' J$ q4 V; o, a) p, E
# a/ F4 L, |* M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。
9 `! `; d  Y4 ?$ z; @1 z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。
. b' K$ @% a7 v% M( H----------------------------------------
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。
, T: R6 r0 \* e0 e6 |( {3 M7 W----------------------------------------
7 g3 M) M, I! D* L/ E" Mhttps://github.com/guillaumekln/faster-whisper
安装如下：
" S; K( Q3 b4 S4 I) S1, Windows 10
3 J/ N3 B' J3 ?9 Z4 |: l7 w* W2, Python 3.10.11
) t& f# N2 J! U6 t3, CUDA 12.1
4, 在python 3 中安装
* \& z! ?1 z& c4 G4 _) Ypip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
& B, |3 Y9 E6 q7 M* @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
" \- E1 ?+ s, |3 I! i. l这是向whisper 致敬，可以不装
+ m3 j. e% u) @+ |% M9 U6，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：

. W. I; H) B) y* A----------------------------------------

! |' }# C: z% S& J+ a  ^% nfrom faster_whisper import WhisperModel

model_size = "small"
, ^6 @# U8 Q! q$ d4 u, }
, H4 {( H+ k# }2 _model = WhisperModel(model_size, device="cuda", compute_type="int8")
( L  v8 i0 D- q6 e! r+ I
/ b; k8 a! o* E0 @% ]" Lsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
: M+ ?8 y; w/ E. K    task="transcribe",
% n, n; B' e3 n) F/ ~    word_timestamps=True,
% k5 b* E4 H. H, M  k/ D' L    initial_prompt = "Hello, welcome to my lecture.")

8 [4 l) L+ X  e/ @( t2 Pfor segment in segments:
& z$ W+ t+ U0 {    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

5 @6 K# c' B2 g. E5 N. H        for word in segment.words:
$ S9 f) T6 w' K/ ~               
----------------------------------------

% R1 H. B6 b* v9 A+ v) u2 Y代码说明：
4 B1 n+ @( H' M# K1，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。
# [& R7 T9 J7 j/ E  i9 t2，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% D3 {: y3 c6 k  K! [8 Z' ?5，model.transcribe 中参数说明：
" P8 b7 {/ z# o2 k, o6 O# 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
3 [5 w5 Q1 r' O; p" Z% T    word_timestamps=True,
7 c/ O, w. \! x. }8 L保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
* I/ M- f) |9 N保证能尽可能准确的断句 punctuation，但是不是决定性的。
: d  |8 _) S- {其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
' s7 ~, H1 x! ~/ p/ K- Q152 def transcribe(
# y' D; p# ]  ^3 f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。
4 V6 X8 B7 U9 I) g5 n8，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。
2 H; W- X1 K: ~9 F7 S! B, q
) T. W( _+ ]8 T
& H; H+ d; a1 [& Q* h& ?# E  ?
  A! E* `' B  `  H+ W! g

nanimarcus

多谢各位榜爷打赏。