faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

' ^: \: X9 Z" r% H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。
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。
----------------------------------------
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。
+ a1 {8 y9 J' l9 y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：
! S/ {$ m2 H; W* w1, Windows 10
) V8 j5 C2 }& o! @2, Python 3.10.11
  h9 ^) J& |' q6 x0 ]/ Y" ~& e# @3, CUDA 12.1
4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
9 u; u% ]- n$ i; a' w6 O# a& U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。
" J& O, u( d- i3 p- Z$ ^  \$ G5，pip install -U openai-whisper
1 e) A/ d  c6 \' d' h  s# `6 `这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
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：

----------------------------------------

/ |* x& }7 Y& ^1 Dfrom faster_whisper import WhisperModel
3 ^- `4 v" U) O9 o$ a! V5 U
5 I, d! W# }, a' c9 {% pmodel_size = "small"

+ x2 p; `$ |# b! r+ M) Cmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
9 f! }" e  Q1 E4 N% R! S" j    sourceFileName,
4 v/ @0 M% l3 L+ w    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
- a9 r1 {1 I% J/ @    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
; i( z0 f% p6 R1 W0 l, j6 s3 f
5 d) [; b9 f4 u. y% k' o+ C        for word in segment.words:
               
----------------------------------------
; R$ D' o1 D, y& d3 D* _
代码说明：
3 i8 g  H6 x, f' W1，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。
* p( ]1 h* U( Y% p9 F, G- N9 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。
& U/ r0 C4 Q  ]; @# b. V2，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。
# G6 S& N  ]2 j8 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
; w8 O, [1 ^( F2 h9 ~/ P+ c" 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。
7 O& b: P" ]# l; _+ Q& H' f: {5，model.transcribe 中参数说明：
. R" |: i' Y+ _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
1 K5 ~8 ~1 `+ p7 [$ L    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
152 def transcribe(
0 c; A/ `5 F" r& `* ^5 q从源文件你可以看到是支持中文的句号断句的。
+ V: m5 C& U& Z1 j
  l* t! y! E- L' l6，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。
8 r5 z' {5 D8 d$ ^* I# R: A7，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 x( B# u5 F! b; l9 [2 l
4 l, w1 r7 l1 V  L

) U- s) D8 J8 ?- g2 b% b

nanimarcus

多谢各位榜爷打赏。