faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

! N( x8 u- q0 ^# i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。
1 R5 M5 ]4 Q) r$ d. Q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。
& N- ?+ H3 U$ e; d9 n----------------------------------------
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。
: s- n- w% j- K2 b, [- 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。
; g/ M; r- ~5 r----------------------------------------
https://github.com/guillaumekln/faster-whisper
: t; j! w+ ~: F) Q, e1 u# d2 L- s% j8 ^安装如下：
2 T* m6 D; ]8 l6 P8 }" u1, Windows 10
2, Python 3.10.11
3 X; R1 n* `! ]* u7 C3, CUDA 12.1
4, 在python 3 中安装
2 p+ l6 {8 g; [( gpip 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。
, w8 `3 E& s1 B) m; X$ _5，pip install -U openai-whisper
; A( F& R: H" _& A; c: E# y- }这是向whisper 致敬，可以不装
6，pip install faster-whisper
* [5 P6 \# F9 y  m; P! t----------------------------------------
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：

----------------------------------------
; w8 f9 }$ W  k) b* q, P; C8 s
: \# w" h. o9 n" U4 ^' U) Z* Kfrom faster_whisper import WhisperModel

' S7 V  I$ m3 d' J3 Tmodel_size = "small"
" y0 i9 c! p5 k
6 m: |& F3 q, z8 s4 Q) M2 _model = WhisperModel(model_size, device="cuda", compute_type="int8")
( x8 e8 R! z, V
. M2 R+ Y. i) `  N! b2 ]4 Fsegments, info = model.transcribe(
    sourceFileName,
# N+ }  y: g6 j5 q1 ]    beam_size=5,
    language="en",
* C; l# T6 d+ r/ U8 f: k    task="transcribe",
! U: ^% d' a; C0 b' l    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

1 y) N4 b" U& I, L2 n$ V        for word in segment.words:
/ l, x* V3 I+ [8 C               
3 t3 y7 a# \/ I. ~----------------------------------------

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。
9 @5 u  D& {7 J( L4 w% z- D& w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。
0 x$ g& w7 j2 `' b5 e9 y5 O  `9 h3，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。
. }( C3 T+ n4 C, E4，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
3 x6 T. P. y; d  R% H, J2 H$ ]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：
3 M6 T- A& D! H6 \# S5 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
' z  a/ E- F6 i, {( M. c其中
) @( Z4 t6 H$ @1 [; [6 d+ t# X5 C    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    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
4 \; G2 [! L* ~$ F2 B% |152 def transcribe(
  X2 I  }: t+ o7 Q6 N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。
" ^( h2 Q# ]( i9 {2 v1 g7，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。
* T( E1 N. p! n# ?' h, |+ X8，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。
9 @4 l, {( l1 n) T, h
* N1 k' \! K% {7 Z0 i4 v
% q* ?5 l* J2 T# P& v4 G& v. b
8 l2 ^7 d) z" _" l

nanimarcus

多谢各位榜爷打赏。