faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

7 p; b& e3 Y: e" L3 x3 F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 \: P8 d* n% c# 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。
----------------------------------------
( c2 W- ?( \0 [  _. A- C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。
6 {+ i0 r# n( O' f0 U8 `----------------------------------------
  U% `5 z4 r5 mhttps://github.com/guillaumekln/faster-whisper
- |4 t- V3 V. G& ]8 \5 \安装如下：
1, Windows 10
/ |/ E6 ]! l$ _6 u) K2, Python 3.10.11
3, CUDA 12.1
0 U' `$ T6 B) a# z( \4 X" S3 }6 r1 p4, 在python 3 中安装
" R( K; }' C' p4 n$ v* jpip 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。
* |" c2 `; I( v; m) j5，pip install -U openai-whisper
3 K. H+ h& h& S% i! P. X- K这是向whisper 致敬，可以不装
* o3 q/ i4 s1 ^4 r9 B6，pip install faster-whisper
8 ]  I, N3 Z* H+ Q/ y" h- D----------------------------------------
% A. x  D) H& ^. U  L) l- Rwhisper 我用的命令行，faster-whisper 我用的是python。
4 `) a/ ]* R  Q2 @6 V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 I5 ]# O' O5 |  y+ n% n----------------------------------------
5 F( P1 n6 g  ]
1 b7 r* N( _: c% O3 {) `from faster_whisper import WhisperModel

model_size = "small"

6 m2 X! @! l" [. _/ Y) zmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
. A! ]  u' v" L0 n- A  o1 P    sourceFileName,
    beam_size=5,
6 a" d: \' {; h  y2 C* L5 H    language="en",
" b4 g" @2 J" _2 ?8 o$ W    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
, @: o# |3 [, n. Y! U  i
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

8 G/ v9 p% ~% I) Z7 v& e# I& `        for word in segment.words:
               
----------------------------------------
7 G- v( @) @4 K, P0 r1 w
/ h( V8 F( Q9 d  G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。
0 U* X$ ~% M3 e/ U: \+ C; S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 ?* }6 k' B% N" N6 G! 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。
! @3 k$ W* I4 G* B4，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
( i( ?  }- L( u! @6 U- x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* W3 q: z! h0 g2 h; H5，model.transcribe 中参数说明：
4 D% T9 I8 g+ U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
1 m* @+ }; ~6 \  y9 [2 V& D    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：
2 T9 d' x  c% P- y. y: n7 }: ^( m  rhttps://github.com/guillaumekln/ ... isper/transcribe.py
: R* T6 @8 V' `4 B152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
' D( v- i( B6 X% v7 U
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。
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。
9 O4 w2 h# F* s: E- U. J

nanimarcus

多谢各位榜爷打赏。