爱吱声
标题:
faster-whisper 更快的语音到文字的识别 ASR
[打印本页]
作者:
nanimarcus
时间:
2023-6-4 02:10
标题:
faster-whisper 更快的语音到文字的识别 ASR
本帖最后由 nanimarcus 于 2023-6-4 02:24 编辑
& V9 N9 q) _' w+ R. q
3 g0 B2 J t9 M
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。
* C9 @. y1 @$ h
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。
, L4 I2 S! A0 ~% ~8 A4 e6 v+ c
----------------------------------------
9 P& s8 E/ 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。
- E$ H$ K* l- h5 Z+ d( p! \
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。
2 a. x. k# I. }' N8 N
----------------------------------------
4 Z! K; J+ B9 k' n1 n% |
https://github.com/guillaumekln/faster-whisper
' B8 X( b( z& _: b
安装如下：
" Z3 e4 H- y8 ], E+ o
1, Windows 10
: }4 ?( F& U% Y
2, Python 3.10.11
# H3 l# @" U% e* d2 W/ w
3, CUDA 12.1
6 Q! M8 S0 ?$ {1 q
4, 在python 3 中安装
- J' t7 e; w) g5 S0 k
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
- p$ E) w. s5 z: G
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。
L1 X9 v1 _* y) U
5，pip install -U openai-whisper
7 b y5 r$ B2 Q! \/ ~) ^* f
这是向whisper 致敬，可以不装
5 i8 w4 |+ ^1 D) v; @& o
6，pip install faster-whisper
7 z# K9 s* K# J/ o
----------------------------------------
! F0 t& M& ]. L" T* Y/ w" X
whisper 我用的命令行，faster-whisper 我用的是python。
n' B0 \5 l3 Y
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：
+ M) e) u+ B( ~5 d5 l2 L9 e# `
' P3 Y' n6 W# t: [
----------------------------------------
9 J: v7 E2 n/ \9 N3 A* C, k
( L8 [# s( A# |6 {
from faster_whisper import WhisperModel
5 }; V, ?1 W. x Z5 J
+ Z- r0 m4 h- [* i
model_size = "small"
1 m4 R x0 x7 o* N5 q& {
8 S/ Z2 C9 b* R/ u
model = WhisperModel(model_size, device="cuda", compute_type="int8")
& D6 T3 ]4 e) `* L6 R
, f% z+ U" s s+ b+ n
segments, info = model.transcribe(
w7 G1 p- Z! s5 ^
sourceFileName,
/ t' \2 S, H: \1 n9 f
beam_size=5,
( [4 x1 I, _ m. J" M
language="en",
+ Z/ d9 j* c, }% E5 o
task="transcribe",
* T* b4 D% @3 @3 b- c
word_timestamps=True,
5 S' p7 A& a$ A0 X4 a# e' s# f$ N
initial_prompt = "Hello, welcome to my lecture.")
4 a1 l! M5 K; ~/ ]; h7 N' z0 G
# i: k. i: `. x% M. o+ Y- g
for segment in segments:
6 s# B/ H* r. B8 V7 `
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 P& N( B+ A8 e0 f" Q6 \
7 `' s4 a) Q% o' ^4 G
for word in segment.words:
9 X( u6 C8 ~7 v- t1 g* b
: W, a/ L, z" e h5 w6 ?
----------------------------------------
) Z; R4 Q/ l# [ {0 m
6 M2 ~' } p! i1 p# |+ C
代码说明：
: b2 ]1 e* j; Y) t0 ~$ W
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。
1 B* e% f" P8 a$ x
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。
- ~* V, J7 n }7 ^
2，segment 本身是很粗糙的，做字幕勉强能用。
7 q; g% C6 v2 h. r5 J3 A1 [
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。
3 |6 X$ Z! w6 |
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
0 d+ C: ]2 O! f3 ]+ }
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
+ s+ u& T/ m. R6 A2 c4 R
5，model.transcribe 中参数说明：
. W* Z% u: y0 C4 W
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
" B& ^8 E0 V2 i5 h- V# R: o' ^! c. J
其中
" q1 ^8 v, q$ b, Z6 b
word_timestamps=True,
) J; @* g! {; b/ M1 ?; Q
保证了你能拿到 word，否则是拿不到的
2 A- G5 z! U q
initial_prompt = "Hello, welcome to my lecture.")
. p. Y9 [, s' i( w/ a Q- _' S
保证能尽可能准确的断句 punctuation，但是不是决定性的。
$ I \; e9 Y+ J2 s
其他参数可参考源文件：
3 D: D X: Q" _/ E# C; G6 \/ [
https://github.com/guillaumekln/ ... isper/transcribe.py
& y3 b4 x3 @9 Y5 ]
152 def transcribe(
& b0 B) ^& D/ b: z
从源文件你可以看到是支持中文的句号断句的。
9 c0 p+ s# t4 v5 X5 {/ M2 e/ F
4 p* y3 b7 X; a. [3 k
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 n: J t; p& `- d' E4 y- C8 X9 U
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。
" t" o4 p3 k/ t: b% d! b
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。
: }+ o- L7 J/ e3 P1 M2 {
( j: x' `: L, h0 F
0 b- n# t1 ^$ p N n
& z& e( ~9 _9 a9 Q# U
作者:
nanimarcus
时间:
2023-6-4 11:53
多谢各位榜爷打赏。
欢迎光临 爱吱声 (http://aswetalk.net/bbs/)
Powered by Discuz! X3.2