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
) S0 s; a5 m4 Y+ ?) D: \
7 g$ X. n/ ]" e+ x% t
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。
# t9 q$ e/ d# |* u: c0 Q9 |2 {: ]
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 j' O) T. B( }* h- R- o
----------------------------------------
7 y+ B8 E: E4 l* J0 a/ R
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。
- {$ X2 P( g. k7 @
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。
: ]( R( q4 J0 N2 R
----------------------------------------
5 f! h& N) ~% D6 m- v4 g
https://github.com/guillaumekln/faster-whisper
, i' f% U& c+ T- u8 z l" ]9 c
安装如下：
7 u4 Z+ s: r) q8 u$ q2 [
1, Windows 10
; g0 h5 {0 S4 u1 N- f
2, Python 3.10.11
; ~9 ]2 Q! V( k# ~4 k" x
3, CUDA 12.1
7 H1 Y7 R `8 @9 V. _
4, 在python 3 中安装
# |* W7 `1 C4 q. |# f w
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
" H/ F. L4 S9 c9 G* n7 J
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。
* g7 j. L6 \' R
5，pip install -U openai-whisper
/ r, k& T4 i" D% t
这是向whisper 致敬，可以不装
5 ]( f9 z6 R3 q
6，pip install faster-whisper
) T- K* {. K, z# a" D* t- _
----------------------------------------
. h% C+ p" D. k/ k! M. @+ W
whisper 我用的命令行，faster-whisper 我用的是python。
# A9 p# k$ U' l2 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：
' J5 o' U7 V% m( N4 K& `
- p7 Y$ g! Y! `0 G1 R" I
----------------------------------------
: ]: o" s1 i. @3 _& J5 k
! n1 i$ z! {. x( `6 M. U
from faster_whisper import WhisperModel
( C6 S; I6 p& X# A
8 _% o% P6 h. `" B
model_size = "small"
- k' v; L* a! e! w
$ ?/ T+ k+ ?" ]3 M5 |) b
model = WhisperModel(model_size, device="cuda", compute_type="int8")
9 D( N' ^- J. ?4 }2 g/ R: c
- c& }+ X$ C9 V1 U
segments, info = model.transcribe(
* `4 U5 u, I7 m" _3 n
sourceFileName,
$ {% \8 L! T/ m
beam_size=5,
4 u3 M' w8 G9 F3 i$ l- s
language="en",
+ w; G9 }/ p K' E, z6 ?% {8 u
task="transcribe",
! n* ]5 M% W' {$ \& d: U
word_timestamps=True,
D+ O7 [% _. _- }
initial_prompt = "Hello, welcome to my lecture.")
6 f! ]- v) x4 M" E. W8 ^8 p
5 X3 o8 A' l8 u+ m; }2 v' L( I' G
for segment in segments:
3 M% U# d2 i( {# N6 g
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
2 u% m! H# F( W
, ~) T$ m7 B( p; O5 \8 q2 v, e! a2 _
for word in segment.words:
0 P6 v" v4 N0 h+ M% @$ g- p$ i# E
7 U0 g: ~8 D) h* z
----------------------------------------
0 T# g/ D. w/ K. x: Z; [
2 q* K3 i0 X$ Z& ^/ E% y
代码说明：
- h1 ?$ V \' U8 `8 R
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。
2 v' F) b; H% A9 _
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。
" Q' S+ Z6 X2 N5 p7 I4 U
2，segment 本身是很粗糙的，做字幕勉强能用。
& Y4 r6 K1 y* t- g1 c
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。
1 g; f/ g9 R; G4 E0 Q: q) m* n. r! p* }
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
; q* d: V. p9 c) v( e# Y7 D
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
. c8 z' B) J8 C/ h
5，model.transcribe 中参数说明：
" r' I" t: B1 G* Q# ]! i& 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
1 h( I D* g1 b. o- m- M
其中
5 p! ^% U8 Q5 L5 g+ K- I2 F0 E
word_timestamps=True,
0 [) g. J7 U* a
保证了你能拿到 word，否则是拿不到的
6 E( t( j- i! G w' K' N0 |
initial_prompt = "Hello, welcome to my lecture.")
% J/ S( i8 \5 m% F1 B
保证能尽可能准确的断句 punctuation，但是不是决定性的。
r$ E. [% c- ?: Y/ b
其他参数可参考源文件：
* ]6 |% X, a3 x6 G9 v* X1 Q4 u# P
https://github.com/guillaumekln/ ... isper/transcribe.py
" X/ Z1 Z# K+ n# Y# K
152 def transcribe(
$ ?, |3 k3 e" s% P* I# N
从源文件你可以看到是支持中文的句号断句的。
) V- @( [% v/ Z8 j. o
) m# O6 E6 ]* E3 p5 C+ [, E/ M5 g2 }( ?
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。
3 v$ `* j- o0 Q! C6 A- I
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。
4 Y' v4 s5 @! d( l( @+ t
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。
: A% V# J: I+ c. _- W7 W' ^
% T. c: }& N; h
% Z ?7 h( a9 v9 H$ p* x3 U9 q
. C9 m$ {5 `6 n0 E+ s3 D/ N5 N
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