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
- Y2 {% f; t9 N$ n
5 E+ N) }, U, k: 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。
- h5 ~# F1 @3 E* W, K& a
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。
X# U* k2 |5 t# W) a [9 o$ V
----------------------------------------
" k) i8 Q! V v7 H
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。
- ~, Z6 j8 k$ M: q0 N
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。
h1 F/ p/ j* W2 G- k. ^
----------------------------------------
& f2 M# P/ |- \" Z& z! J6 u
https://github.com/guillaumekln/faster-whisper
8 o V' p+ v0 ~+ s0 s0 s4 e
安装如下：
6 `' r% C7 t2 J1 K. o
1, Windows 10
+ p, V1 t$ _1 I8 V6 i% K, I# N
2, Python 3.10.11
4 @- l9 d- O# a# G
3, CUDA 12.1
3 N+ F; X' O. ?. x$ ~ D) K9 S
4, 在python 3 中安装
0 T8 C* w9 s2 i5 f5 ^ u+ d
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
8 R @( U) Y w. p5 ~/ U
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。
2 S* k; W9 ~0 d5 ^& X% S# _
5，pip install -U openai-whisper
/ }. Y4 V/ q. O! ~; ^) n( X/ o2 V
这是向whisper 致敬，可以不装
4 B/ h( v+ z4 Y, W. j$ \! i1 g% P
6，pip install faster-whisper
* j- I' X# _* |% N$ v" [' R
----------------------------------------
# }4 c( D5 k0 w+ Z
whisper 我用的命令行，faster-whisper 我用的是python。
r- t8 ?7 z1 m/ T# i$ L- M. S
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：
% a) j9 A8 C& C
+ I- u% j" F6 d5 P
----------------------------------------
( W$ m& c" h) j7 @
8 X9 @0 T' n Z( V `
from faster_whisper import WhisperModel
% O' E, M1 g4 B' V, ^' y: d
" g8 O- d, p+ `; b6 D
model_size = "small"
# K' V x3 M$ C( y' `+ r- J
. u P, y6 m3 }7 u, y
model = WhisperModel(model_size, device="cuda", compute_type="int8")
0 @6 F. \& @" Y# J6 g! z0 K
: V" p/ j( ~6 w+ F$ Q# v
segments, info = model.transcribe(
! n) g: B' n' [- C) ^8 q5 t7 M& m8 l
sourceFileName,
6 v. H$ k' t+ p |3 B7 \
beam_size=5,
5 ^( O% m& P/ Y5 {8 d3 y
language="en",
) U+ r# W" I4 ~$ ]. u, z2 j
task="transcribe",
/ W! _; r! K( V
word_timestamps=True,
! P% a! d0 E7 B2 w: b- |& v& X
initial_prompt = "Hello, welcome to my lecture.")
* l2 e: g& i1 b% f) _
5 b( q' N" N7 H0 \1 F
for segment in segments:
7 p! T# H7 x; P1 X H- V% B5 b
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
& F/ N% C2 H" L" }- V
- |8 q' Z' [2 s3 c
for word in segment.words:
' w, N. M1 C y& r" l9 |) C
- s1 I, P: ^8 c# [
----------------------------------------
# K% \1 w# p) U) _/ e& V8 A
; f1 m; @! p; Y
代码说明：
5 F+ `% e9 [9 w i! z
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。
- b% W2 U: P+ f. a ^
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。
7 S& [2 x% I2 r
2，segment 本身是很粗糙的，做字幕勉强能用。
5 c4 x. L& U; g5 Q
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 z9 O8 X# A# [% 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
& i7 ~* T: ]1 r, O# Q
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
+ p/ Q( E4 A. L
5，model.transcribe 中参数说明：
0 d8 H/ e" u* o; [' z
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
2 ^0 l2 J, h! M3 {1 \) Z
其中
; B5 ^2 P; Z) W! o
word_timestamps=True,
1 e; Q5 e) R" A- j1 }4 f7 F; G
保证了你能拿到 word，否则是拿不到的
' P! _' j7 P J4 v
initial_prompt = "Hello, welcome to my lecture.")
2 C0 `0 |/ J& Q0 w( S4 w I1 l
保证能尽可能准确的断句 punctuation，但是不是决定性的。
' D- J T; t n1 S2 V, o" f
其他参数可参考源文件：
7 X+ `$ U) ~7 r/ ?- v# V) k9 b
https://github.com/guillaumekln/ ... isper/transcribe.py
; Q) m H, H9 M8 ~* b( S z% y
152 def transcribe(
, T% _8 | t, j- E% A9 d2 i
从源文件你可以看到是支持中文的句号断句的。
' F2 W. R, y0 |+ m1 K" g
* l5 k2 F0 g+ Q0 }: Z, l) U: u
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。
( i+ {) h5 g! R
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。
1 y$ E% A: v1 r4 i/ X- j. N& h) X
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。
- V0 l" ?9 R- ?9 f+ A
, L! b0 S) d2 f& p& |$ l# A
9 O* t: v0 h. F
. D( o6 L( c6 y2 S6 I; o
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