faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

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。
  H- Y2 ^9 u6 I1 E8 ~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。
4 h; G" [2 f; R9 Y; C4 L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。
4 A; E, U. ]' D. ~+ x----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
5 u) O5 j' Q( ]3 @1, Windows 10
8 o* C: F" L' D6 E& n9 i2, Python 3.10.11
$ L. R5 O/ o) z! ~' y+ s8 P2 o3, CUDA 12.1
4, 在python 3 中安装
/ G( m' {* h; _; }" ~  @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
6 w: e& o' _' ]& D/ F这是向whisper 致敬，可以不装
6，pip install faster-whisper
! `* {+ Z# o6 l8 K& \----------------------------------------
4 j# d  u9 A) V1 x0 e9 D; @+ U, ^8 Wwhisper 我用的命令行，faster-whisper 我用的是python。
! M; W0 q* r" X" E# r/ \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：

2 ~$ c- T% x) q3 p$ b$ \& j! c& p----------------------------------------

% P; }8 B* Y( g1 z& e5 c& a$ C3 Y0 pfrom faster_whisper import WhisperModel

3 s: E9 R( E1 r: `9 @4 ]- J3 Wmodel_size = "small"
7 U  G6 a6 Q3 E
model = WhisperModel(model_size, device="cuda", compute_type="int8")
$ A! f8 y' O# y
segments, info = model.transcribe(
" u# o) g- \) t- M$ X. h    sourceFileName,
    beam_size=5,
    language="en",
% t* U) s3 W$ Q: T" I  d    task="transcribe",
) z+ d5 ^8 |8 X6 v$ j8 d$ ?- q8 [    word_timestamps=True,
; e, D! o8 f+ ?    initial_prompt = "Hello, welcome to my lecture.")

! _! a( t: R, C* A5 Sfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
2 b! [2 l+ h( j- A9 N) r4 }1 b) z
        for word in segment.words:
               
/ B' Q3 [* E6 I4 x7 [----------------------------------------
. E7 S; `+ q- ~+ f
& K3 t- y& U$ ?9 Y& a2 ?/ m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。
4 {) h. X0 j* A/ j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。
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。
8 ~* `  L1 e- Z$ Q4，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。
! p  `& _7 |3 }& ^8 J% A: R5，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
1 W: w$ T* x, j; `& \) M3 t" c" n    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
$ s0 I4 C  r4 E7 m    initial_prompt = "Hello, welcome to my lecture.")
4 R2 U: [# N: G9 _% H; ]3 `2 z保证能尽可能准确的断句 punctuation，但是不是决定性的。
' c; `, e7 K2 x2 L7 R其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

7 k& M0 l- N: K" v$ d' ^* U6，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。
. r% S' s  E# S( r7，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。
: ]3 `7 G$ A$ i4 |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。
, D! C/ K  ^4 l# K& }3 m2 C
8 S/ @% \# B, \
6 y* J" G/ ^" N2 K/ Y

nanimarcus

多谢各位榜爷打赏。