faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

" c; ]" J0 P  u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。
# ]4 F# {6 W3 @1 p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。
" L1 z: H0 G) s----------------------------------------
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
安装如下：
1, Windows 10
$ L+ w, Q$ a& M' I+ o2, Python 3.10.11
3, CUDA 12.1
& r2 T+ w. Y1 y2 C1 Y+ m4, 在python 3 中安装
7 t( ?8 Y: C6 k% Npip 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。
) z  v+ F, \/ P1 c1 C5 k5，pip install -U openai-whisper
2 h) ^( ?) h! M) V+ @这是向whisper 致敬，可以不装
6，pip install faster-whisper
4 r$ A/ H( ]- }! A0 U3 n( W----------------------------------------
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：
: D9 O) `0 q' w+ o+ o8 j
----------------------------------------
, m! C& G* n5 I, O
from faster_whisper import WhisperModel
3 x5 r. D7 |; L) B
model_size = "small"
  X! ?7 l8 u$ ?( S& t
model = WhisperModel(model_size, device="cuda", compute_type="int8")
2 w1 B5 D) o1 H: q' I; \4 d; r
segments, info = model.transcribe(
5 x1 |3 h) E7 q7 J    sourceFileName,
    beam_size=5,
    language="en",
( m! X) N0 ^8 }    task="transcribe",
8 @' e1 M* s; i# f    word_timestamps=True,
* J. C9 f$ v' g* l1 g    initial_prompt = "Hello, welcome to my lecture.")
5 g$ v- ~" `$ @
' ~$ K! z% L* y( mfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
9 B( d( k: l# T; p  s! I
        for word in segment.words:
) g! E) d  B4 m4 h, i* Q               
----------------------------------------
5 N- p: g0 ?, e% ^
' b+ p. k% g& P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。
) a+ u. _$ V8 B1 L; b3 v) X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。
7 m5 q; V/ r' C6 F0 ]+ R3，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。
% q: _$ m1 x( y/ Q: F8 h% Q9 l4，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
5 Y& n2 R9 Z7 L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：
  {. N3 R. n0 @1 H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
; M, y5 w4 {8 C; K    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
* e: m7 c9 Y& S3 L1 k. s    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：
# P3 V' S% U: G: U1 D& _( r" Ehttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
/ b7 A( _% P8 D; w- N$ K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。
1 y% h" m1 ?2 g3 |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。
! a- f0 _) h4 G8，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。


7 s! B7 b% i* }5 t
. n7 J2 x) A; f6 p% E6 d

nanimarcus

多谢各位榜爷打赏。