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。
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。
! B( f# b& |  `( f: l* N  j----------------------------------------
2 X+ s# x( t/ y/ [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。
: A3 \& Q6 Y: i, L0 f( {) M' e7 T) X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
安装如下：
9 Q: Y! p: ?% x  U- U! D1, Windows 10
+ c% t; l& N# q4 ~1 q2, Python 3.10.11
9 v5 C* |' I) l# i' x7 O7 [5 J3, CUDA 12.1
2 w3 b  n2 J4 s4, 在python 3 中安装
) J3 h% a+ h6 M# E) j* ?) k8 r  zpip 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。
4 w" }5 x" s5 A# u% ?4 L5，pip install -U openai-whisper
, F, P# R( I7 M: h. \- N  f这是向whisper 致敬，可以不装
8 z" N6 i2 |# Y. z" [, D% ]8 V6，pip install faster-whisper
----------------------------------------
! V. w$ E* f' ~; hwhisper 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：
3 S6 P$ F% r* R* a( `% c
; G9 ]9 ]5 ?0 ~( _- q8 G----------------------------------------

from faster_whisper import WhisperModel

4 L2 r' R8 c0 A& E+ omodel_size = "small"
0 G9 M* d/ K  ]" r8 l1 o
, F! {& i% M" ]4 l+ _model = WhisperModel(model_size, device="cuda", compute_type="int8")

  @" [7 z& ~4 z0 e: msegments, info = model.transcribe(
- K. H. K8 l6 u: B. w. N; J& h    sourceFileName,
    beam_size=5,
9 E: ^! g* S6 {& k5 k    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
7 D7 o5 t5 b$ K/ {( A& p6 \+ v, Q
& N  j% M' d8 H* z. L- xfor segment in segments:
  h8 D  o2 ]; x3 H, o" R/ C/ q    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
- c; @+ S% y7 f3 e               
# e# |3 U1 |* X----------------------------------------
0 h7 \& S: v" w
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。
. n8 q2 ]+ p- N) G( x3 u9 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。
, ]: [9 v! Z: m: I! |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。
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
% k2 y8 \# `' w$ t0 P: j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,
保证了你能拿到 word，否则是拿不到的
7 j. o2 {5 O; P  @  Q2 P    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。
- E% a: ]+ p3 R; j* y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。

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。
9 q8 Q; ]% q/ j1 D8 e. ^1 t8，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。
7 U. Q8 L, N. c6 c. D
# k3 }; A/ J6 h& {0 ^
6 q+ W& Q4 _" X9 x0 S
" J/ K; a& S1 F$ n* K, ]7 R) b- ~

nanimarcus

多谢各位榜爷打赏。