faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

4 r3 S. ?* }4 E2 J. B, I5 ~. 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。
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。
. y+ z% r" |: j( t0 j# B2 l1 g- j) `----------------------------------------
* Y9 _1 k5 Z- k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。
& H/ ]5 P* j3 j, g----------------------------------------
https://github.com/guillaumekln/faster-whisper
. P6 W- U- r( X, I3 P2 r安装如下：
1, Windows 10
2, Python 3.10.11
* @: W( e& A# _; z- K3, CUDA 12.1
6 f3 L& X1 Q+ c  q( L4 Q- }/ o4, 在python 3 中安装
' {! ?8 x$ ^, `. d3 U- q* Epip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
- l, N2 O( I/ M* L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。
  ?0 ]- p+ N* j, t6 r5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
; y( q. F8 B7 |$ w  g0 w% n1 x( ^. C----------------------------------------
8 S" x; }- h* Dwhisper 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 |5 T5 e' @
' k- y9 U, ?* l$ d----------------------------------------

% _: A7 d6 L5 D9 }7 l, h: nfrom faster_whisper import WhisperModel
- s7 a' |) c. ]% Z
# q5 P  i4 y' {: k7 rmodel_size = "small"
- G0 ~1 Y" X7 ^( Z
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
3 |% V$ \, w. m/ P1 L    sourceFileName,
    beam_size=5,
2 _, S" s( A3 x    language="en",
    task="transcribe",
4 ?9 f, Z8 P7 s  V% e6 c: l    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
! n. l7 x+ g  D8 g7 j    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
; ?" X# L" Y% ~+ N* ]% f
1 a8 U5 h+ [8 D1 o        for word in segment.words:
               
----------------------------------------

代码说明：
' q5 e! o# y2 g) J- J0 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。
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 Y) b9 f4 J9 D2，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 ^* J/ B: F' z7 m$ S% `0 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。
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,
% X9 ^0 t9 I9 A3 H/ u/ x4 T) D保证了你能拿到 word，否则是拿不到的
, w' P5 ^7 H6 ~# 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：
9 u2 ]" `, ?: Z8 u! k& ]https://github.com/guillaumekln/ ... isper/transcribe.py
, S: M) C$ D, ]& Y" J  C* ~# r, \152 def transcribe(
' |3 J- X9 C9 I5 R" @' v1 R从源文件你可以看到是支持中文的句号断句的。
5 G4 Y+ I1 h: H  U- R- l6 F
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。
5 J" g. F. j. T* }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。
5 c% Q, {- t- m6 A( l! j( y" |5 P
' p$ v: s" f; ?; C' c3 g* x. B
( P( G2 j, L: C7 q

nanimarcus

多谢各位榜爷打赏。