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。
& f  p. K# `* b7 ~8 O" K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。
8 U( X9 Q' m( r7 z- a" R----------------------------------------
/ O1 \# d5 Z4 x. U' @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。
: i% z" |, L0 V8 \, Z& V: I& b  Z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
6 u( h6 A, }- j  G3 I安装如下：
: Z5 c  _: q1 |( k, k1, Windows 10
2, Python 3.10.11
- ?4 K0 d2 k$ A3, CUDA 12.1
4, 在python 3 中安装
5 g( P7 [* {0 s; `9 Ppip 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
: G5 V4 ~  f+ F, i' U. d这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
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：

- z( ~2 K1 d& \; A----------------------------------------
2 \7 e7 d. @4 F6 v
! Y; `' R- v$ U- u8 m8 q0 rfrom faster_whisper import WhisperModel
8 v3 }4 p% I* ^+ m0 r& e; a7 X
model_size = "small"

, R1 C) B1 e+ b6 x  z* |5 }model = WhisperModel(model_size, device="cuda", compute_type="int8")
' D6 O4 o, H$ n
7 y% m+ ]+ w9 t6 D* B8 `! ~segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
' d' O. J( `! W    task="transcribe",
& H1 v, A/ d+ S% G: A    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
7 i+ ?  U6 s  U0 ], k8 r- p; `
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
7 H; p2 T; Z1 I: S8 D2 D
! h7 c3 A4 }6 W        for word in segment.words:
               
% o2 x% G6 B/ _: f, L----------------------------------------

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。
- h8 _" C* M* t( W: R+ d: r; A2，segment 本身是很粗糙的，做字幕勉强能用。
$ j. Q1 |  E, s; ?; R: t6 y3，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。
9 l' Y& q* `! ?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
8 i, F- p. v2 {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：
' M5 H* p4 l1 s( H, U/ r' |7 |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,
保证了你能拿到 word，否则是拿不到的
2 Q$ }7 |3 Z" \; L, a    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。
0 G% U9 U8 Y! J4 r其他参数可参考源文件：
# A  X4 S$ x$ \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。

& ^; d, F6 b8 g' s7 q4 Q5 x6，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。
: e  `  }0 Y. X) |, {( v) i( y7，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 {( K* M5 L& k+ z1 Z% s8，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。

nanimarcus

多谢各位榜爷打赏。