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
7 n+ ?$ |( A) E5 p1 t
( l& Z% L7 K! l' `( J C$ n
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。
; y# C4 C8 P" k$ a2 }3 s( V. i
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。
% H4 s8 V& ~/ p. Z) X
----------------------------------------
, E# R0 S. K- Z2 B3 }( 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。
& e, Y8 i/ Z. i8 P2 ]
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。
" `! t, b( ^/ y! J; M
----------------------------------------
' A7 y+ J5 B/ w
https://github.com/guillaumekln/faster-whisper
# y( |# I, D& w; t, f6 h E
安装如下：
7 g7 d2 l1 B' C4 |% q5 o) P
1, Windows 10
@* c8 v$ {+ z' u2 K$ B
2, Python 3.10.11
0 g/ ]/ B7 J6 e( V6 a5 p
3, CUDA 12.1
' z' h$ D: f7 L/ u7 D& g
4, 在python 3 中安装
% ~1 y+ b$ W! x2 S/ [0 g1 _
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
; P- O9 B+ P2 t" K3 z
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。
8 g7 b6 U" e: f4 X7 C0 C: ]
5，pip install -U openai-whisper
# w$ n2 d. V& v1 d
这是向whisper 致敬，可以不装
' a1 x+ V6 h" s
6，pip install faster-whisper
3 n' h# S2 @& f( j
----------------------------------------
, N' Y ?3 }. h) k
whisper 我用的命令行，faster-whisper 我用的是python。
+ n% }$ q: `9 l/ D
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：
3 M6 B5 p6 ^* [6 ` ?5 @
8 V# @; u, O6 u; n* O+ D4 R
----------------------------------------
5 B" v: K8 R; _/ w4 |) Z6 G, \
3 q- h1 ^) Z, k7 a
from faster_whisper import WhisperModel
8 N8 G" E1 v' m1 t
) ]6 a, o0 R/ t) f7 l5 \
model_size = "small"
# U3 { ^1 A* G: g2 U& u
j* Z$ M y; Z! v6 m
model = WhisperModel(model_size, device="cuda", compute_type="int8")
! g( D8 Q- g0 D
/ B0 I; N6 ^( p! [/ {6 W, d
segments, info = model.transcribe(
- f( F0 ?% Y, ^! Y
sourceFileName,
m+ y2 Y( b8 F6 R
beam_size=5,
0 F+ ~( d- E. Y+ g3 z
language="en",
( Y1 F+ a3 d+ B& N
task="transcribe",
* z+ l, R: J* K U* w l
word_timestamps=True,
* a4 P* q2 ?) F( Z
initial_prompt = "Hello, welcome to my lecture.")
5 T0 n2 p# ^8 y9 J. d9 ~
, y [ X3 V% _ ^! E
for segment in segments:
9 S: b( [, X! f# T/ f+ q3 m
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
7 C1 i% v8 g- n6 E
/ k4 F4 f( t" K% G# M# J
for word in segment.words:
0 {% Q; {& O# d6 y" h# y
& r6 \0 b, b) |% `/ ~
----------------------------------------
/ ~* w+ u) p% I, o; N" t
6 k( g. N( b0 H! ^
代码说明：
y6 n; |4 v! Z0 I0 A
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$ y' A/ `3 \4 a: H
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。
+ I4 e8 p! W4 V) n1 u. w
2，segment 本身是很粗糙的，做字幕勉强能用。
5 K% g8 J, z& K7 K6 w
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。
/ R; F; X) ]9 F2 S
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
% W1 n- a4 x/ D/ I( t0 |8 J
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
4 X F/ W. O+ S1 E
5，model.transcribe 中参数说明：
- |% ?' M- o2 u4 s
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 A# o( T, @4 X X1 v
其中
- }& c, O, w! t" f; G
word_timestamps=True,
2 R- Z! }$ \9 w9 _7 {
保证了你能拿到 word，否则是拿不到的
9 h8 J) B) Q0 D! q; I' e
initial_prompt = "Hello, welcome to my lecture.")
- q/ R1 M x$ B5 D
保证能尽可能准确的断句 punctuation，但是不是决定性的。
* |% Z# z2 }- W
其他参数可参考源文件：
/ a6 D) r P8 b
https://github.com/guillaumekln/ ... isper/transcribe.py
; f1 D) \7 \( `
152 def transcribe(
9 t; A) s/ f" a* j+ a9 S0 K
从源文件你可以看到是支持中文的句号断句的。
! W3 Z, d& ?3 {1 `& B3 Q
+ c ~+ I2 L3 g" G+ e, _2 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。
; S& @/ c7 B# g I) ` y* y
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。
+ h, C1 {; ?6 f; ]. E
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 Q$ E; v% _$ t9 k( y8 C
6 Y9 ~( O, g" o7 L
, Y- o/ r& J8 E
* X9 Z8 Q# [4 c6 c2 M# @) g3 K
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