faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

3 ~  T+ ?2 }7 Z4 g' t( L3 V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。
: N5 o9 B2 u$ A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。
( Q& K8 w* R; [4 r! A% Y----------------------------------------
' n; U0 ]; I9 Y9 t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。
' y4 K( [+ i$ Q% }5 a( d----------------------------------------
  c" ]9 N( S& \' b2 qhttps://github.com/guillaumekln/faster-whisper
安装如下：
9 u, z' B! ^( c) p7 f) G1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
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
2 m+ }% e& }' @! W这是向whisper 致敬，可以不装
+ h2 l6 t6 T* j3 V/ }6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
6 o$ L+ L3 J) [/ K. ~7 A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：
: z8 u! c0 G, y- M  r' T  p
----------------------------------------
# Z+ g$ @7 H  H
9 A2 Y# ^3 t4 _( e+ Sfrom faster_whisper import WhisperModel
5 d0 ]! |6 J% g7 \% L
model_size = "small"
6 @; _. T) }5 a3 E4 t
. _: s  b! c8 X: x! K, m8 {3 ]. |* smodel = WhisperModel(model_size, device="cuda", compute_type="int8")
. o0 M: g8 R- h& \
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
9 p' U) c! ?8 S5 d9 y8 T, o    language="en",
    task="transcribe",
9 U8 B. P# {/ k/ s" w. Z' J    word_timestamps=True,
# i) @: ^) q" e7 [% h    initial_prompt = "Hello, welcome to my lecture.")
1 B! m0 t5 n$ o  E5 J3 c
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

, ?  B1 \5 ^3 t2 S( E1 ~5 k        for word in segment.words:
               
' G- v" @1 ]+ H  H" d  _' f* P----------------------------------------
7 J, H8 l+ [! Y! v5 Z4 k% z; J
  e' \( {# t9 B$ H& R0 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。
$ V! }. X6 @+ S5 z3 t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。
( l5 W- @' O' B" |; B  a: H6 c3，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。
$ b8 A4 I7 V. n' F' h5 ]( x4，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
$ N- x% G0 _% y, V$ D. R, K比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
+ X% B% N. G. Y+ G% C1 y) U' F% ~( T8 o5，model.transcribe 中参数说明：
4 W7 s3 h3 P% X! k9 [6 [# [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
    initial_prompt = "Hello, welcome to my lecture.")
( p- P: c: F, }/ F( {) H  ^保证能尽可能准确的断句 punctuation，但是不是决定性的。
% B+ |2 u+ R, d4 `4 F6 F其他参数可参考源文件：
7 G, d- M. a; |0 _2 |https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
% D2 \2 o6 P. B0 }& h$ T6 K从源文件你可以看到是支持中文的句号断句的。
& k. u6 W1 l5 D' Y* \$ V
) Y) ]5 t" ~' ?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。
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。


* {/ S  _: W  [
8 }# ~0 [- M" K* e5 K

nanimarcus

多谢各位榜爷打赏。