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
5 G* w, {; T3 X, a) {
6 J I5 z' N" L. |% c, G" c
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。
+ o5 K! ~! t4 F6 h1 O' Q# z4 T4 [
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 _: E, Q( C; C
----------------------------------------
/ n' m+ Q: Z `0 y, 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。
8 ?3 q4 O9 f$ R% 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。
9 @& j) v. g3 e7 r# P( Y$ X5 [
----------------------------------------
0 S$ X- A- R, X+ d8 ^, x6 @3 e
https://github.com/guillaumekln/faster-whisper
9 q1 X6 }, {( H6 c( |) Y
安装如下：
1 ^9 \2 q) J- k; d7 P. o
1, Windows 10
3 {& D {! l& [; T% b) F5 b
2, Python 3.10.11
. N5 ]' O2 H6 z: k; H
3, CUDA 12.1
$ \& T% h- r# r. @
4, 在python 3 中安装
( s/ |0 o9 S$ J3 U
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
1 [% S8 f* R4 M8 V. E5 b
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。
9 G# O0 c! Q& `) r) w: i2 e
5，pip install -U openai-whisper
# {' b+ w: C3 S! j7 q0 I
这是向whisper 致敬，可以不装
, e9 P3 {& F. l, y- V5 k) \4 w
6，pip install faster-whisper
, q% [$ y3 {8 W
----------------------------------------
7 [5 x7 s) n: _/ K; x. u
whisper 我用的命令行，faster-whisper 我用的是python。
* B2 n1 W( S( X: e
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：
! Q: c, n0 g+ u# \: U6 m) }3 Q
- l0 U5 r# y0 O+ r
----------------------------------------
. `9 w% s( H& x1 E
. K* a3 T& o; J4 V
from faster_whisper import WhisperModel
/ ~& ?0 R& l+ \; R
& O1 f5 F1 c% @. z! H$ t( v
model_size = "small"
: M, W, U7 E: ~7 }: b( L
# H1 R/ _. f8 d" b! R% b. y$ p. H
model = WhisperModel(model_size, device="cuda", compute_type="int8")
7 Q# n8 u Q6 W; {
( T/ S0 V! H* u1 ~) U) c9 m5 T
segments, info = model.transcribe(
9 @* p: o2 m+ l8 L) _; d, m; c
sourceFileName,
, ?' S/ @) ^, C8 L# G0 T$ b8 `) z# C
beam_size=5,
: @ _9 F$ k' Q
language="en",
) I* |, z0 e9 m' n$ }: @
task="transcribe",
, B$ k$ `" x; _2 \6 O( F
word_timestamps=True,
' s$ E9 ?! L# z2 ?! o( u
initial_prompt = "Hello, welcome to my lecture.")
1 e& _, p' i! m m& Z% u" e- M
3 Q ?8 H: m* s/ m0 u$ V0 N2 v
for segment in segments:
0 C( y8 O5 \* }% T0 J1 j
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
) M. }5 |3 E4 @
7 A- y* B6 A* H# @
for word in segment.words:
1 o- t' s2 ?* V
% `6 ?8 r, }5 v7 b' J* M8 I8 Y
----------------------------------------
1 p* r) w& T: g/ i9 K
Z( A: j/ Z& {3 b
代码说明：
, O/ N* {- j% _2 m8 ~
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。
6 M6 O9 x P; \% P& p4 E3 F
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。
- ]) @. i. _8 ?4 D* u
2，segment 本身是很粗糙的，做字幕勉强能用。
6 l( Q8 r. }) {+ J
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。
5 J5 f9 x5 z, U x/ E6 e/ C6 J" e
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) N$ C& u z
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
1 o1 y( D& y, j/ P' r v9 J+ k
5，model.transcribe 中参数说明：
1 t; k8 E% P$ C h2 |+ p- F
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 @4 i; s! v" M1 h p# q
其中
) s# h1 i- w) [% B; P( N8 X5 o; d
word_timestamps=True,
5 ] I+ d4 p5 q) R9 U, }
保证了你能拿到 word，否则是拿不到的
% M0 K* Y8 d D
initial_prompt = "Hello, welcome to my lecture.")
6 p; O7 y$ W1 K- c
保证能尽可能准确的断句 punctuation，但是不是决定性的。
& @" ~1 W- {+ E. e
其他参数可参考源文件：
; @7 U3 B4 ~- D- L4 `$ \
https://github.com/guillaumekln/ ... isper/transcribe.py
7 P5 T4 g% q4 i$ R7 G
152 def transcribe(
( a; U: B$ }+ W8 ~' a7 o
从源文件你可以看到是支持中文的句号断句的。
4 d9 \4 B, D9 j' M0 U2 R
. ^6 z+ Q- G# h" k( J1 ~
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。
, {! Q$ m7 a( q7 N! f9 p6 M# g( i1 ?
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。
. s$ j3 ^* 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。
0 u4 i* V4 o! Y/ f" D; ~
& z# F! E. Z" d$ i
5 C2 Y. v! o) j* b$ A
3 l3 H9 [- P+ a" u) g# \
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