faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 K" X5 D- l" U1 _7 Q
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。
& K( i0 h/ b! d# [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。
----------------------------------------
! I# K1 Z6 ^/ l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。
----------------------------------------
5 w* S! ^: e8 khttps://github.com/guillaumekln/faster-whisper
安装如下：
/ X/ B9 a/ Q: I  g5 S: c1, Windows 10
2, Python 3.10.11
; ~- O" R7 M: h) o, L* l: N, {3, CUDA 12.1
6 J' `" Q+ a9 k. y3 H; }* ^4, 在python 3 中安装
pip 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。
. u* f% {+ z8 |; Y: a3 J5，pip install -U openai-whisper
3 a$ A- H& T1 t1 |0 J这是向whisper 致敬，可以不装
) z$ e6 r+ c0 E/ f  P7 N6，pip install faster-whisper
: @) t, C4 i+ ]$ o3 d: c2 m----------------------------------------
  |. l: V& N" B0 |: Cwhisper 我用的命令行，faster-whisper 我用的是python。
' O! M' l( ?. m/ i8 ?; S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：
4 t* Z4 }* ?: _8 c, L3 L
( R5 o! K1 w: m3 j$ Q6 B----------------------------------------

- X4 u$ U4 ?! \) ~  O0 g8 bfrom faster_whisper import WhisperModel
+ T9 c& u2 ], j% n
! g6 _1 _; b6 `4 omodel_size = "small"
7 G' r% d7 r2 W% U
" j; X8 `% p8 e0 Mmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
5 F1 |% W2 h. {/ u( `7 Z
segments, info = model.transcribe(
' z% d2 g( E- K# e$ h: k    sourceFileName,
    beam_size=5,
( U; \/ t1 T( g7 s2 c% {( x: q7 A8 q% |    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

9 s7 R7 e) [* X( b, Rfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

% h9 j$ B' G3 [" O        for word in segment.words:
$ x& [, e) `) [! t  u! c4 }. h; b               
----------------------------------------

代码说明：
+ q6 N( P  ~# u) L1，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。
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。
( c# @" ?: h0 l& E' C/ W) j! A, ]4 W3，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。
* H$ @7 r% P2 x9 L) H5 n  [& [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：
( e) ?9 e' ~$ \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
    initial_prompt = "Hello, welcome to my lecture.")
) Q3 q. g4 A1 P+ U# P$ K( C3 |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
152 def transcribe(
6 w, ?: h* n# e! g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。
/ e9 b  {$ e8 w+ U7，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。

nanimarcus

多谢各位榜爷打赏。