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
$ j/ o0 @, U) h9 {6 P4 {3 ?
1 K* f( P( O" s
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。
0 d" Q/ @, f& j7 _ m9 m7 N3 \
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。
" T7 U0 ]( v+ C1 }% N) q) P
----------------------------------------
. ]. d( N% Y, L4 h' B
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 Z9 E: h- b* s# K& p5 S
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。
) y. |) T5 r+ R8 y* D% U" p
----------------------------------------
3 A, N4 L; B# N9 R$ q" t
https://github.com/guillaumekln/faster-whisper
2 [5 y ]5 }, I y
安装如下：
9 A( V9 l2 E2 X0 N T# Z' J
1, Windows 10
9 O4 n6 D7 |; m P
2, Python 3.10.11
% h+ r! x8 G" U" B4 a9 Z
3, CUDA 12.1
/ E9 P% g3 ?' ]* n# C* d
4, 在python 3 中安装
0 z0 _' x" d. G8 T$ J1 U
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
i) V s% a- ^" L6 i! ]
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。
& E4 {1 E( K' T h1 `/ d( B" l) L5 i
5，pip install -U openai-whisper
: U0 ?6 O0 a5 A* A3 f9 F
这是向whisper 致敬，可以不装
4 X! V( A3 }3 T0 b I9 P
6，pip install faster-whisper
! N/ Z" c2 _. j& s8 v
----------------------------------------
; ]" g; ^ i: [2 m9 ^" }
whisper 我用的命令行，faster-whisper 我用的是python。
, l4 q9 K( u+ y# o
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：
. Q2 N; O' G, z: D |1 {& r
) _# J, t* L5 {' i7 Y6 ]
----------------------------------------
( e0 m: R2 W3 o* H! M5 \' {$ ?
# m, C. q( Y% |" J& u
from faster_whisper import WhisperModel
% J% k5 U1 D7 N6 G1 _
; }- ~& U6 S0 p* F; D
model_size = "small"
! ?+ Q2 d% s1 ~
; \3 q% e. v. e' l E2 S+ z
model = WhisperModel(model_size, device="cuda", compute_type="int8")
1 H5 e& ]* \6 U# w H$ C
9 b0 N& Q" }1 a
segments, info = model.transcribe(
M8 _! }- Y$ F7 f, J1 T, `9 E6 U. N
sourceFileName,
1 ?' t6 ~7 K0 q0 @
beam_size=5,
: C4 C4 G% k; \8 X
language="en",
9 B& R) \3 l$ C: A$ t! a' O& A' q
task="transcribe",
/ Y. x1 Z. ?2 Y7 C6 K" ?1 v- s
word_timestamps=True,
6 K" L8 U* g5 q6 m0 k
initial_prompt = "Hello, welcome to my lecture.")
3 a) X3 R X# y
: ^* V6 H, i$ B' i9 p) u
for segment in segments:
. F/ T1 j+ M$ V. [+ I5 e( _2 T
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
, {: i- k' J4 H. w" s7 z4 _7 E0 u
4 e8 Q* p3 r, S9 R' X- L
for word in segment.words:
: o3 G: Z' ]) W! U; l" N
2 n1 r9 }, m: g1 M- j! x
----------------------------------------
3 L3 @$ P. v4 g9 O5 f T0 V
- M% y1 @7 L% ]% j9 u9 i
代码说明：
! X% {* h- f: q9 r+ I
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 q9 k* |; e4 R% e& A' U3 d
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。
; R5 e$ b& J! r
2，segment 本身是很粗糙的，做字幕勉强能用。
; k8 x1 p7 P4 P4 R" B
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 y5 Q# r: N6 l2 B4 h" @# ~3 v
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
. R% r% d! f3 r- [7 n2 O6 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。
. Y3 q5 {6 w% s
5，model.transcribe 中参数说明：
5 }7 s- L5 m: n$ A
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
" T; i A5 `' }- E
其中
! U, w% e) j( l( l: f3 ?
word_timestamps=True,
4 ]/ z# K F: D9 g# h" j" V& ^
保证了你能拿到 word，否则是拿不到的
/ y- U( y2 B& g0 K0 f
initial_prompt = "Hello, welcome to my lecture.")
. I# N7 n+ `7 p- O( A( S. ]
保证能尽可能准确的断句 punctuation，但是不是决定性的。
# h7 ?/ J! W2 a$ K0 D. c2 y
其他参数可参考源文件：
' O; b( Q- O1 f
https://github.com/guillaumekln/ ... isper/transcribe.py
( I- h% ~0 q! _/ x4 Z$ U7 l
152 def transcribe(
$ r4 N7 W: v5 S/ ~8 N
从源文件你可以看到是支持中文的句号断句的。
4 [" e3 e, k. z6 D- }) q. }
! n9 [% r0 r7 B& M. }; n0 j
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 G1 ~- s ?, ^# J
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。
( o$ [4 `7 Y& M& A1 s
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。
& K5 V; ? a9 Q4 x& ~
" l* l( E& y, w9 Y5 h& Y1 A
% t3 z' _( G: I6 L+ l
" Z9 m9 R2 H3 E/ 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