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
1 A$ U0 k0 L! [+ V; }/ u, V
. d! E2 K6 w$ e2 L
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。
6 |. O8 P8 s3 a" n, G1 G6 \
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。
# c- `; A' \, k5 y( C" w% c
----------------------------------------
% ^6 r% o( Z @- V
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。
6 n/ m$ ^( K* R4 i
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。
% ~* e8 H. w; C& `# j
----------------------------------------
' S4 r4 ^! u/ O% f7 H7 ~2 q" v! K" Q
https://github.com/guillaumekln/faster-whisper
$ N% A! F; [$ g1 [3 F% X
安装如下：
/ |$ Z y% p+ s- [8 O* p
1, Windows 10
: D6 f$ O$ b0 ] b+ X$ I: [' M
2, Python 3.10.11
/ u( P# W: ^5 w* [7 {. u) D0 S3 U: A
3, CUDA 12.1
9 k3 I# [. \! F/ x! i6 ~
4, 在python 3 中安装
( z W1 e# O& w$ w M
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
: E1 D- O, p: T9 n
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。
. U' X$ m2 p" Y; V
5，pip install -U openai-whisper
" ]- Q) p5 e9 D; g( q' G1 f. x
这是向whisper 致敬，可以不装
. w R# ~6 K C# U
6，pip install faster-whisper
% ?6 u3 h' z1 U1 V8 Q: ?2 R
----------------------------------------
; B4 I6 L6 ]3 D8 a
whisper 我用的命令行，faster-whisper 我用的是python。
' Y* y7 A0 h( q+ y% ^. Z z
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：
\/ w8 ], O! J: u: P4 ?: }8 M# y
- o5 c5 K3 a! s% P( v$ u: l& U
----------------------------------------
+ ~( |5 h8 }6 f2 P- t5 W Q1 R" f
) R: C6 E! l+ ]- S
from faster_whisper import WhisperModel
' [% D O5 v) S2 [4 e
7 l6 G) S) s' h# P1 g |
model_size = "small"
7 s0 b4 J! H2 r/ R
* d; H- {# L. T* ?3 S
model = WhisperModel(model_size, device="cuda", compute_type="int8")
: E# k) \4 C' I% f1 c; A' ~
6 X' J) C8 j% q( d" b% y
segments, info = model.transcribe(
7 w0 ?0 O% q$ V: V( N) [" H
sourceFileName,
+ \( x, z9 H. T5 ~+ h) |* R1 q
beam_size=5,
9 T0 T0 z$ Y% ~6 F# H* Y
language="en",
5 v4 @6 D8 O% H7 ]
task="transcribe",
1 ~* [/ h8 n K& C
word_timestamps=True,
, i- u$ r$ y: }4 }2 A2 K* }4 B
initial_prompt = "Hello, welcome to my lecture.")
/ \+ r @- {7 h5 N
9 z! y+ b. S5 P& g
for segment in segments:
4 A! R* T6 E0 j6 Y z2 |
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
8 z+ U7 U/ D1 [' E5 \6 N0 y
. O. B# d3 M& ~* c9 h8 f
for word in segment.words:
* x M& T A/ Q6 v
# T! E- ?+ D3 m1 `
----------------------------------------
/ j2 t- S3 r2 f; E* g6 {4 ]( u# ?
1 z8 \/ M# L: |
代码说明：
% h: A. p) Y# w9 V: O- ~/ ]1 z0 x
1，model.transcribe 只是建立了模型，并没有运行，运行 是从 for segment in segments: 这一句开始的。
: I) |8 r! B2 u
但是这一步很重要（废话），我的程序有时候会无征兆退出就是在这一步，没有任何错误信息，倒是Windows 侦测到，但也没给出有意义的信息。
9 A* k4 d& Y1 v* W3 s
2，segment 本身是很粗糙的，做字幕勉强能用。
3 a8 V5 ?- l" i4 l% e- I
3，word 才是真正的精确控制的，本身带时间轴，所以要做比较好的字幕，必须用到word。
0 b* M/ V* P/ J' q3 h4 ^& q% ^ d
4，word 里面是包含标点符号的，也就是说标点符号不是独立的，是附着在前一个word中
$ L2 E9 S0 {- f [" m
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
+ J' T9 F& k- M2 e& Z/ J* ~
5，model.transcribe 中参数说明：
( R" \ z) i: R; l3 Q! S! C }5 }
你要是对 whisper 的参数有所了解的话，基本上这些参数就是对应whisper 的参数
* \) ^# F1 M* _8 M7 e
其中
4 @1 D1 [, W' K8 J/ ~6 f! ^4 \1 X/ v
word_timestamps=True,
" C! S4 Y+ `3 N' N O
保证了你能拿到 word，否则是拿不到的
% l; O$ X1 r8 X, D6 }* W
initial_prompt = "Hello, welcome to my lecture.")
9 O B& C p0 o! Y+ r) E
保证能尽可能准确的断句 punctuation，但是不是决定性的。
4 T5 I- ?5 ?& j7 ~, R. _: D" S7 Y2 F
其他参数可参考源文件：
9 R. M3 t& { k8 j7 J: U
https://github.com/guillaumekln/ ... isper/transcribe.py
2 O2 t+ k3 F, }. }- p9 U4 C2 p
152 def transcribe(
v4 B4 F% R }
从源文件你可以看到是支持中文的句号断句的。
: |5 W! K) L2 V) m1 z, a
$ d+ E# l- i) F6 w
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。
8 p3 _2 ?2 z4 w* N8 f F; Q0 Y9 |
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。
3 c' ~; t J+ k
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。
" L& G4 j2 J0 v) H2 d ?: h
2 A2 \# F& U/ D" }7 K
3 O+ \# K# B( b/ A" M
5 J8 o: @! b6 f1 W* B
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