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


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。
+ o- L! f0 F% W1 X8 t3 u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。
0 U! u4 H4 o* z$ G----------------------------------------
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。
9 R; u$ t# F" G+ J. `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。
: J0 t, f) k8 k5 c----------------------------------------
+ K3 x2 e3 b8 N& B' X4 R. P8 }% j- \https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
7 @: q, D" f' Y! j  u2, Python 3.10.11
3, CUDA 12.1
5 ^' @4 R1 Z2 X4, 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 R/ \( ^2 J6 D* v* p) G  S5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
/ L9 n3 R% j0 F6 T1 x; f/ n6，pip install faster-whisper
9 G0 }1 G) Q' b: X4 `- W, K2 W----------------------------------------
( m7 ~$ A0 A+ ~: F0 g( nwhisper 我用的命令行，faster-whisper 我用的是python。
8 {: O# ^- Y) }1 B$ ~下面给出了部分参考代码，根据主页上的参考代码我做了修改，但这个不是能运行的代码：
$ v: q6 s, H$ N: _* q3 Q  \
+ o; c) o3 \) }- K----------------------------------------
1 M6 `+ d  }. {# [$ M( l! k1 m
# z! ?7 I+ ~; A0 ufrom faster_whisper import WhisperModel

model_size = "small"

: r9 `1 K6 A9 K5 ?) dmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

2 x! T9 u& D1 i8 d8 Q2 ~1 Psegments, info = model.transcribe(
  i5 U8 {2 }" T* a+ _    sourceFileName,
    beam_size=5,
    language="en",
# a0 S+ W# E. ?$ R5 I# b9 v; O7 [' Q% j    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
  ^3 _. S( Q; [" I# U; c/ r% Z
" A" w2 O5 c+ p# K" [for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
               
( B! R8 h# k7 |4 D' O% h0 ]3 `7 H----------------------------------------

: V, d+ q  M5 ^- `1 f2 k, S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。
% p- z4 F/ ?+ I9 l- W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。
' @1 C( g. T* J" H6 H2，segment 本身是很粗糙的，做字幕勉强能用。
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。
& J$ F8 f* f. b0 t: S/ R4，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
% |+ q' L$ N. h: ~# s. \" t比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
, ?* O/ i: r2 i6 l" F5，model.transcribe 中参数说明：
0 y- o/ c1 a. K$ Z! }+ O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,
  v* ^  a, B% c* D) X: G6 a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：
( }2 m( t) l$ i# u+ A1 e, n* ]https://github.com/guillaumekln/ ... isper/transcribe.py
& {; h6 N( y* ]1 x" b6 i152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
7 Q* i" I4 q# n7 q- [
/ b6 ^7 r' e; ^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。
9 |* N+ C- x6 Y2 ]2 r7，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。


3 P: }: `9 n- c  F) O& B
$ V8 N9 B9 u& B3 @" c2 y

---

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