faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

* p" l. M) U9 \# @% C) H  P* N# {& P
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。
+ ]- }# T4 [* T& }----------------------------------------
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。
8 Z$ Y2 S8 F6 ]" f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。
# ]4 ^" o! ?! Q5 k3 r2 j6 m% K----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
8 }, r  K) h4 B: Q# G* g8 R: ^1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
8 w6 a0 X. n' J: e4 O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
, ?- {# ~' y1 _" F) b6，pip install faster-whisper
& x. N  ~0 W" B7 W3 u; J7 o----------------------------------------
- u" u* @. \+ Z5 n( Qwhisper 我用的命令行，faster-whisper 我用的是python。
  F& G- @! J" F- ]2 A8 a/ |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：

& ?5 h) P2 ~  f, ?8 R5 _) J----------------------------------------
: |, g& T6 G8 y6 x, f# F
" f3 x0 O9 a) c; K! |from faster_whisper import WhisperModel
# \$ }: A% R" d5 P1 v: A3 k7 U- b
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
" R- k1 h8 A( l+ h. Q    sourceFileName,
    beam_size=5,
. X8 G+ k  v! Z$ L  l9 o8 ^$ q: v    language="en",
    task="transcribe",
! _4 G! }7 B4 t. w1 {    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
3 Z0 e" [$ t! w" \* R- F* U% L
: m9 G% f% m/ f' b" Z5 j6 k- ofor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
- S! q1 c& Z/ W- A) x- u3 u6 d/ u
        for word in segment.words:
               
* y1 u" N. |% c7 l----------------------------------------

' P0 F# [5 D! k# Z, x" b& r& d$ O代码说明：
+ A% v/ X4 E+ `" t1，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。
4 U& Z& s+ P  U4 m2，segment 本身是很粗糙的，做字幕勉强能用。
; Q2 k7 K% t1 w7 H+ a1 z3，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
# `" ?8 X9 H1 K" C5 I2 W, s% c& T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
; t8 v9 ]# i' p+ k6 i( |- r其中
    word_timestamps=True,
5 [: w  J( H# x6 G8 \, y- N保证了你能拿到 word，否则是拿不到的
$ O' E& w2 s, t: x, U" L+ [$ i    initial_prompt = "Hello, welcome to my lecture.")
5 k4 q* L4 v" s( S( ]' i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：
  n4 V& Z$ A2 c: O. ~- @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。
4 z$ Y' R$ k4 a1 y
- J: l- O- O8 X+ a8 b1 m6，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。
& N1 f$ y$ D) |; `4 S- f8，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。


- a) X# W3 O5 W' ~- S" ?1 y

nanimarcus

多谢各位榜爷打赏。