faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

: H0 }4 o) B( J* s  ]
! W7 h# g" q! h& W7 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。
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。
----------------------------------------
2 ~' P6 |( u6 Z- P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。
  T0 y' a0 r- I4 {6 c3 L2 B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。
6 f( C, l% U6 o----------------------------------------
- P; a/ F  [) S& C- I. ]https://github.com/guillaumekln/faster-whisper
8 A& M: |9 F( e# X安装如下：
1, Windows 10
2, Python 3.10.11
; L: M/ \& ?  g3, CUDA 12.1
3 x, ]. G/ g  w4, 在python 3 中安装
2 _% k. y4 ~# k3 E" T7 x/ N) Cpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
2 Q- o9 ~. r/ {$ L- |% f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。
+ q$ k" _, S* J. [: W) U( {5，pip install -U openai-whisper
/ @0 X* u( H1 e+ g- X, N这是向whisper 致敬，可以不装
8 V& C8 _3 B/ S6 B1 `6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
0 N. E/ t* A! I; S* _3 t4 `: J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 R$ b* w# n- q6 b7 sfrom faster_whisper import WhisperModel

model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
9 }8 N8 u  C3 f. [& p4 l5 x+ t
1 |5 o5 x; z( E7 _+ ]0 d. ?segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
" c( P$ t. F; h' I$ [    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
; s- y- A- z6 B
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
8 @4 G8 I9 j2 {
        for word in segment.words:
               
0 g' y% `6 C7 M, i& A----------------------------------------
/ D! x% |! w9 [! N0 C
0 w$ K! g7 X% V1 H1 S' V( u代码说明：
0 d+ L: n5 W- r* J1，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。
$ Q: \! H8 e$ \3 B: X+ M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。
% W# {+ X; r. D% Y. r2 h* A3，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。
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
其中
, l$ J1 d7 S/ s5 L    word_timestamps=True,
" J  M$ {# I* D6 s, ]保证了你能拿到 word，否则是拿不到的
, x* u* y4 `$ c" ]- T    initial_prompt = "Hello, welcome to my lecture.")
7 V9 _4 N8 E4 [3 L7 Z# A保证能尽可能准确的断句 punctuation，但是不是决定性的。
9 f, ?" U2 S' R" J其他参数可参考源文件：
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。

" ?0 Z6 ~0 ?, R! u( Z6，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。
9 Z' `0 U7 L% n. _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。

. ?$ c* Q1 m" o) |# e5 R' [" n

nanimarcus

多谢各位榜爷打赏。