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。
3 K4 R% W- i! v( `1 b& o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。
, \' h0 m& x# [' [3 D+ v1 f----------------------------------------
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。
, ?% b3 ^3 X* i5 h! o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。
----------------------------------------
( C. v+ @6 ~- J* M! Thttps://github.com/guillaumekln/faster-whisper
9 d/ d* J2 p3 T" W安装如下：
  C* C* T) H' q9 C) Z1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
3 `+ T5 s: k  G0 S% G4, 在python 3 中安装
1 |8 [- m9 j; b7 l8 Opip 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 j4 h2 v8 _" l" [  \& H1 e5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
. U  h- g' k" `1 v2 `% _, A6，pip install faster-whisper
' N) c8 C/ W  N3 }4 @! k- u----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
: W- L+ \) C/ I$ k7 F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：

4 b+ K1 r+ S; Z----------------------------------------
% N& d+ C: x/ S# v2 _: f
from faster_whisper import WhisperModel
$ r; M5 j! H" @" }3 |# t4 s
model_size = "small"
. d$ C+ O- k+ L: k: j' ]8 O
model = WhisperModel(model_size, device="cuda", compute_type="int8")

( Q  g9 }, ?4 X" k  h6 i+ A0 [segments, info = model.transcribe(
5 b/ T2 K( N# E/ n8 u    sourceFileName,
: r/ Z0 l5 e# h3 J7 n    beam_size=5,
4 @+ a2 j& y9 g4 G+ m    language="en",
6 U6 f6 B8 u# C+ H1 t. V# j    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
2 O2 _2 [3 F9 m1 e$ K, p# T2 l
* h7 f& h" T; X: E9 I5 E& P0 Q5 Q        for word in segment.words:
7 d5 {- @( P; D               
----------------------------------------

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。
8 ]$ O. s! \# w0 {; q" W0 k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。
  s" n' j' o& a' G$ F& b2，segment 本身是很粗糙的，做字幕勉强能用。
3 H" x' B2 e7 o5 P  M. H' G3，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 i/ B* q7 U" r0 P4，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
! ~5 i5 c! K$ _3 [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
* g3 U$ Y9 H4 F其中
    word_timestamps=True,
* D0 }- c3 @' m保证了你能拿到 word，否则是拿不到的
. X  ?# {% H: K: y$ c2 D    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：
: O) t, H3 o! C: Ahttps://github.com/guillaumekln/ ... isper/transcribe.py
# g5 s/ f* T# J5 s152 def transcribe(
, @7 i3 h  f4 ^) G+ W, b从源文件你可以看到是支持中文的句号断句的。
! K6 i' T3 K1 a6 s7 b- j; N( i
1 W5 r+ z! }; h* M3 l# L, z" C# T6，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。
. @" Z  A" A' H1 h7 V8，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。
" ^* }& w. J- B: o& {
4 r5 D) p$ t$ a% `" H
; I2 c+ Q1 j  g6 E6 _

nanimarcus

多谢各位榜爷打赏。