faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

  b' h9 r4 e, Y# Y. n9 e
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。
( y) @1 u2 E4 ^, w/ x$ m8 @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。
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。
6 W- X; m9 E% S' H4 q2 _& l. H----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
3 C& w1 h0 @1 E6 x" ~8 T2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
: H6 v$ u, Q2 w$ T+ 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。
8 ^# Z% \. m/ M! U5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
& j) H! J  L! U8 P5 s/ `6，pip install faster-whisper
1 O/ h: O0 w* R----------------------------------------
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：

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

4 E/ L) g5 @$ Pfrom faster_whisper import WhisperModel
- P" y- U$ |/ ^! Y) q) A. F" f
5 S. K$ p. n$ k. Z! Emodel_size = "small"

: m  X7 D8 f# B; @/ f6 A* Imodel = WhisperModel(model_size, device="cuda", compute_type="int8")
* T+ s7 Y' x6 Y9 Z. x
3 q) i: h! _/ |2 lsegments, info = model.transcribe(
+ W, l) P. q* k3 O1 _    sourceFileName,
    beam_size=5,
( I- G9 \9 _" g/ Y; X    language="en",
% c- q4 L9 E0 c6 A9 g+ N6 X    task="transcribe",
5 C: u3 v  d+ v    word_timestamps=True,
3 V9 @# q/ f! D    initial_prompt = "Hello, welcome to my lecture.")

8 J6 e& [3 c& J6 \5 J$ afor segment in segments:
' `$ m# }- k# [$ }! ?: T5 \- k- P    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

) o/ x" x1 m3 `        for word in segment.words:
               
----------------------------------------

代码说明：
# `" H/ M( o/ P* m: |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。
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。
) H, P1 l3 ?0 v7 W. N3，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。
, s: ^  ?& n8 q, }. v8 v4，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：
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
: _' p1 C( S8 L) n& q7 \, I; U* W9 q, n其中
    word_timestamps=True,
( c; W9 w9 p( Y; a$ Q保证了你能拿到 word，否则是拿不到的
    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。
5 t5 E! r: f, w- Y- Y其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
# g' i- A7 D+ |9 x1 k- N152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
7 \# y) B- c! Y6 x
. v, V4 M0 ^- \- 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。
* O/ n# B  B# {/ Z7，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。
( y; X+ Y/ S# w6 c8，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。
9 F; B6 H4 S& a& k" H- @# I
& y9 _4 W: r* Y

8 H  g, h* z  Z

nanimarcus

多谢各位榜爷打赏。