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。
8 X) j3 l& b, ~$ E% s, Y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。
) W- C1 }7 U6 E( }----------------------------------------
5 j# v/ }5 W' X. T4 c/ u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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
# p5 O$ E7 z: \: `+ ~( R  C" c安装如下：
1, Windows 10
2, Python 3.10.11
4 x3 i  Q  z$ {- Y3, CUDA 12.1
4, 在python 3 中安装
5 ~# G1 ~8 D! 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。
# S- }( ?' j' Z& }) `5，pip install -U openai-whisper
! E7 p4 a/ k# X! _4 S这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
4 M1 I9 D5 S( C2 _7 l. bwhisper 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：
; z8 J- I% W4 K
0 B2 d, j' R! Q1 r' A) a----------------------------------------

from faster_whisper import WhisperModel

- {' J/ n) X* I# y: t0 ]model_size = "small"
  v% F, L( u' a& q6 o4 S
$ r! |3 V2 \' A; _+ }8 Lmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
& m" p- P& O7 S) K) ~
, y6 u! Q: w" `& r$ Zsegments, info = model.transcribe(
: a+ G2 b. t4 C0 Z4 {: n    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
0 K  [2 q3 g" Q( N* _2 i    initial_prompt = "Hello, welcome to my lecture.")

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

( j9 t$ ?+ m0 M5 Q& j        for word in segment.words:
  ?) |! ^% L, T; M" e               
$ G# M( Y# K. n, H4 t! }----------------------------------------
5 D* l0 O) D) G' C2 j5 P+ H
& v7 u5 J: }2 D. H: |! O代码说明：
' Q. b, V' f, w0 U, T$ Z. P1，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。
& x& w, y* J+ \; b' F4 @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。
3，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
* \: u' Z2 a7 a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
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
- h: W. U" I; c# y8 E9 i9 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：
https://github.com/guillaumekln/ ... isper/transcribe.py
" l' Z& E4 g4 V9 k# n152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

8 F. f  Y/ y1 ]* f) Y# ^& ~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。
6 \! H0 }/ w$ V
& i% W0 A+ _  G; @8 N* @4 Z6 g: n
% ]5 `% G( n0 F# {1 d# ]2 T3 p

nanimarcus

多谢各位榜爷打赏。