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
" x r/ Q. V# N% {
6 R2 p o/ X' ^0 [+ |- i0 L: U& 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。
! e1 g7 w1 T+ V' B" ]# K
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。
8 P1 g) i( Z4 J" r# H
----------------------------------------
, @6 b6 s' s: F* }
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。
/ D( Z2 t1 h! r; e# @8 `
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 o5 q9 \" Z2 `( |5 j, y# ]
----------------------------------------
: d# G# t& _0 `* f2 C/ r
https://github.com/guillaumekln/faster-whisper
" @# A8 c1 j* }% d2 i1 l
安装如下：
2 t* o2 p/ W$ y% J6 A3 ?
1, Windows 10
8 S! J. s; a9 w5 n5 ~+ v/ Z4 s
2, Python 3.10.11
5 U9 f$ q* U* [' t0 l; ]* v
3, CUDA 12.1
; ?* z" h( T" E( v: R
4, 在python 3 中安装
+ v9 G$ M# i S
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
7 C1 K$ d2 w/ \& u' R
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。
% F. `2 L9 E2 f% v: [$ E
5，pip install -U openai-whisper
: e: v0 k, w- ]' O4 m3 D7 Y
这是向whisper 致敬，可以不装
) l* J7 R4 G3 b9 `0 }
6，pip install faster-whisper
p1 X Y% m( q( ]1 U$ Z
----------------------------------------
% H) W1 M u6 i1 a
whisper 我用的命令行，faster-whisper 我用的是python。
" t# }4 E6 m$ q) b. G
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：
0 {0 ?3 v! w" ?! @# Y# H% z
P" a8 @5 d9 `7 x& v
----------------------------------------
/ U- q9 |& t/ p, @- {
% [- ^8 I1 {; k! M% h
from faster_whisper import WhisperModel
0 c0 V$ f9 l# I
4 P5 d3 n5 o1 c* _& R/ h6 _
model_size = "small"
! k& f! n8 F6 E+ T* h
5 P5 E) T" B# ^ \
model = WhisperModel(model_size, device="cuda", compute_type="int8")
: q' y) v" j* G" B. Z0 o
9 L; k( n# ~) ]/ K: I) x6 x" H
segments, info = model.transcribe(
$ U5 e) h5 D" }, c! x4 `" L( x
sourceFileName,
2 b6 B) y* }( }+ T M/ O5 h9 n+ y* }
beam_size=5,
5 Y( E' O5 A) x) ~7 C- {: Y
language="en",
7 d' W: P! ^3 v' J( } j) f* \6 t7 D- y
task="transcribe",
, p8 c5 F8 ^: j# w3 G: W: U# h
word_timestamps=True,
$ \* B/ V0 E: R3 U$ b
initial_prompt = "Hello, welcome to my lecture.")
- _& S$ W( q) l k3 E6 A
/ o% L f/ a' h4 T6 [4 Q) X
for segment in segments:
3 g- N" z) \7 t/ x" u
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
2 f7 a `. B( F' o! p; ?$ C
0 [$ x1 q, i" c+ ?) S' q" @
for word in segment.words:
3 h1 S; f9 z. j% m: [+ j) M
9 _( J( g" r3 Q) W0 g& H
----------------------------------------
* f& ]% J# e" y7 h/ L
8 F- W3 G; F% o, X1 U T& b4 ~
代码说明：
- G) ~1 w5 d1 C1 e8 `
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。
4 ?. W3 G4 E0 T! T5 c1 Z. `
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。
! }% J' T+ c/ w' c: w/ ?
2，segment 本身是很粗糙的，做字幕勉强能用。
2 ?" A6 i3 \7 I4 u, {) j9 a' |
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。
* G) c7 [! ?- h" r! Y7 _. y
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
8 Z; s. Z) F% a X6 t# l0 h( g
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
- t3 D* Q+ `, R4 _7 u6 a
5，model.transcribe 中参数说明：
" K/ k1 N/ P& L7 O9 O, K( h8 p! j0 G
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
6 _, s/ Q6 Y, A: b
其中
$ l& r0 f( [7 C4 D
word_timestamps=True,
; {3 b7 q/ U5 g2 m+ p4 ~, c. y, Z; A6 O
保证了你能拿到 word，否则是拿不到的
V4 N# o/ z( }, d
initial_prompt = "Hello, welcome to my lecture.")
. |4 @; Y+ y% p, g6 I
保证能尽可能准确的断句 punctuation，但是不是决定性的。
3 L1 \9 l) ^& L
其他参数可参考源文件：
K4 Z( A9 S2 a; |7 g- r
https://github.com/guillaumekln/ ... isper/transcribe.py
# ]" ?+ p( L* B" Q6 _3 {7 _8 ~
152 def transcribe(
& L/ Q* C" c8 k- {- j ^% C% U6 ?2 f
从源文件你可以看到是支持中文的句号断句的。
1 W) j5 w% R& ~* W6 F0 V! f
, q* [* K0 v9 J+ t% T% B: g1 ~
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。
s4 j6 j; I1 r6 |1 q4 v. c; I3 p6 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。
5 G9 ^: X2 u2 q. f3 x3 g
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。
. p' E; m) l3 O2 }
: l* j( F) k# @* j$ g/ R( B
$ ^9 C1 }$ d$ A. ^: m2 y4 G
! ]0 T: a# b' [, y/ W9 M6 _& {! ~
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