faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

# r$ Z2 I. ]$ v6 ^( R. S+ T
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。
- ], S# x( D' q8 \8 @9 W( G! 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。
. E1 ]" Z, U& B+ ?1 r4 M& P----------------------------------------
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。
, u* I9 M0 t( h$ J----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
! {/ p: e& O* p' o( L1, Windows 10
: ^) L' w' _5 K0 `7 t$ }2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
! f0 B% k; V& s. Z5 b; lpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
( n& \8 I, \4 v1 S- ?! a2 H$ s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。
, }/ K1 [8 F! ]( P! _8 n5，pip install -U openai-whisper
# d0 p$ }# O* x! @8 X; M0 Y- j这是向whisper 致敬，可以不装
% N) k/ k1 A5 n& F0 O6，pip install faster-whisper
- H8 h+ z7 |3 ]* w3 Q( a9 ^6 @----------------------------------------
# z( M6 u+ n2 B) F0 s7 @whisper 我用的命令行，faster-whisper 我用的是python。
; R/ w+ P  y+ i% |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：
, [5 i( ?. Y- Q2 s2 @( R# t" D
3 ]. `7 R. a" q9 R/ }, r----------------------------------------

from faster_whisper import WhisperModel
4 e5 P  |, H) r! ]2 D. Q8 D" K) c; `
5 p2 {2 e: f! E0 r8 Mmodel_size = "small"

+ j) I% _" \6 k6 Z& ^$ |4 i6 p* U- Gmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
$ U# Y4 U0 I) e9 L6 z4 ]& F
) M2 u8 {: U7 F" vsegments, info = model.transcribe(
1 Q9 [+ s: n2 ~, y6 I- d    sourceFileName,
    beam_size=5,
    language="en",
. e4 l( a! s' [9 @" s1 k! j) y  f    task="transcribe",
6 h. h! h7 l0 _: k    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
: H+ c1 F# b3 I- V" D
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

, O% c9 q! }: s8 D$ J        for word in segment.words:
               
----------------------------------------
  _3 E* k6 t2 k# \
. Z! h4 _+ Z5 f5 V0 W2 S  n1 |8 y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。
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。
  P1 s& [; U4 @9 c2，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。
2 {" E# B1 n1 }6 e; I/ {; i! 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
1 p8 s7 z8 \; c4 a/ I( @7 G1 ~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
其中
    word_timestamps=True,
9 a) B% O- }1 q- j8 [8 J保证了你能拿到 word，否则是拿不到的
. g" {# w0 J7 t; t9 k3 N    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。
! h9 ?4 L8 e. f; b其他参数可参考源文件：
5 l6 K3 R- w  K  r7 r6 \- Yhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
- J% g: n, k# V1 ^% E# h2 B从源文件你可以看到是支持中文的句号断句的。

1 K- B" F1 I# g$ K$ o5 B6 M6，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。
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。
' q& n. Z# ?+ r' j
  W1 {5 Z# z% q2 {
" c) ]1 D/ G5 f$ d  g" O, N! [
1 z7 r, c1 g, i+ ^, d, e0 q

nanimarcus

多谢各位榜爷打赏。