faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

6 I5 j& Z( k3 Z. |7 G( j7 K
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。
  }+ D+ k! Z% [1 J8 x2 Y& \# e3 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。
----------------------------------------
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。
+ ?7 R6 r2 _/ V+ F* ?- c" [: s8 i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
" r' {& k0 Y7 i% L& n安装如下：
1, Windows 10
/ y8 M: J7 Q/ f4 e1 l. r2, Python 3.10.11
3, CUDA 12.1
2 @) _& k1 m/ z! x  u; X3 @, h4, 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。
5，pip install -U openai-whisper
% v  o2 r& C* T5 W7 R/ a这是向whisper 致敬，可以不装
6，pip install faster-whisper
. L6 I7 b0 _. \1 M# P( X----------------------------------------
" u' @2 V/ A+ W, v" t3 F5 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：
# D* H' @% c% `$ v* B
/ a. t! h! ?% v----------------------------------------

from faster_whisper import WhisperModel
9 v0 p1 u+ [( B" q& p, m
5 u$ z7 u2 S8 J( z/ b( Kmodel_size = "small"
) O" R3 Y' J# r3 l/ |& Y4 [) W
9 F; K2 @" h+ jmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
* L3 z* ^6 d0 L/ j7 X0 A
4 R& K) H, f' J( l" n8 ]7 xsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
* k2 R' S6 @4 g    initial_prompt = "Hello, welcome to my lecture.")
$ I) x7 T- B% _, A
# w6 `6 ?7 ?) gfor segment in segments:
  E% d9 g- ?& T' K7 V1 t    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
' V- }( A! K0 W) r+ Q----------------------------------------
3 ~  g. ~$ t7 _9 ]6 s
代码说明：
4 L0 `/ i! x, d, P9 t; ^1 ~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。
3 d3 L9 d+ j$ l! _1 g. _4 C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。
( ]1 j+ {, P2 n3 U/ [0 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。
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
+ H' K$ h& f4 Z8 p/ u比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
% \8 Y, b/ M4 Q% O5，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,
/ Y  \' [, M# y) N保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
2 X3 e3 Y% D3 x1 o3 [" n$ @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(
; g) [- O4 f, l9 H2 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。
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。
: r# Y! W& U: F8 ?4 Y8，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。

: w# U. G6 M$ c! p& O% C. F7 [" U

nanimarcus

多谢各位榜爷打赏。