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。
2 N: P2 S. f& j- C3 R' ~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。
----------------------------------------
3 \5 b1 d7 W- m, |8 l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。
5 F- ]+ G* G0 u; v9 u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。
----------------------------------------
; _5 P& s+ u0 m( r( m1 p& Phttps://github.com/guillaumekln/faster-whisper
, c8 h/ j" q% d4 z安装如下：
1, 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
/ D( K8 K; U8 T7 X/ Z( N# y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
; I2 u& f! O! S6 W这是向whisper 致敬，可以不装
2 H! S; ~: m4 Q, s& F& V* O) s: S6，pip install faster-whisper
6 D/ p: f2 ?4 M& a; n! P----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
9 c# Q" m# K( Q) x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：

----------------------------------------
% I8 }3 n- N( f" g
from faster_whisper import WhisperModel

( a# C; a: [2 w, a5 Kmodel_size = "small"
- }' [' Q; y5 {4 X0 ~7 X
model = WhisperModel(model_size, device="cuda", compute_type="int8")
6 J+ m2 B* K# v7 m
1 M: t3 R' u( v+ I" c/ O" Zsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
8 R/ A6 K: D( g1 G$ d    task="transcribe",
" Y: ?' V2 m/ J% k1 K& o0 I  b) l9 J    word_timestamps=True,
, U7 I+ t7 G; C# u& A$ d" ]0 O    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
7 H+ l' g" f! j    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
8 M1 f- U  h( r" ~
        for word in segment.words:
               
----------------------------------------
) N( b9 T9 X5 D2 t+ H
, N, C* X  D3 g0 d3 b代码说明：
# I% ~! Y( H  ]+ t' {1 P1 Z1，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。
) J* }/ }$ s- B3 |6 h1 T! f3 t  R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。
7 [9 b2 W. @# K3，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。
* K, p! R. _/ v( L4，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
( I& {5 X' |( U/ O比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
. D- n7 m& P! b& `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
5 u  O9 z; {" H! b其中
7 h3 w" ~1 K- s$ _% O- ^    word_timestamps=True,
" a' w! t# M+ Y' j& L保证了你能拿到 word，否则是拿不到的
    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：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
; Z0 b, V& S; `+ @+ |从源文件你可以看到是支持中文的句号断句的。

9 ?' Y6 j( `, s& ?5 ]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。
1 J) L! `$ w) ?, v7，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。

8 U$ ~: }. Y9 p( _& i' G2 k
7 v! f% q: f2 [) F- R  `
6 U/ R5 {* ], C9 a2 ?3 k/ A, w" I

nanimarcus

多谢各位榜爷打赏。