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
: R6 a* D7 ^2 { y I: C
* B' _- t" \" P* r$ S& 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。
) t1 \ N" ~; \; ?
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。
2 \! T' m4 i1 ?8 X3 v
----------------------------------------
* j& w% l4 z' ?. Y7 v1 n1 D( I
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。
5 A6 n' \2 P6 ~8 R- n7 p5 |& h
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。
, L, {: q |# }2 H
----------------------------------------
& v0 N e9 E2 ^/ p( a3 X2 p
https://github.com/guillaumekln/faster-whisper
; Q8 y! U( u+ Q; w d; ], O8 I7 s5 ~
安装如下：
; l6 P2 ~. w2 S( s) F! m
1, Windows 10
; ?7 c' d7 \- \6 g6 |6 v
2, Python 3.10.11
% ^$ H7 y% s1 o, R
3, CUDA 12.1
( m# ~# q+ o2 ~; l( f* S7 }
4, 在python 3 中安装
) a! e0 b0 Z0 V6 O
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
$ [& ~/ R1 X D: Z( V
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。
h7 D- b8 k; c' W% }: q$ Q' U) V
5，pip install -U openai-whisper
# d3 P2 S5 ^7 F- X( b
这是向whisper 致敬，可以不装
`/ w/ x) q2 S" S; O% u
6，pip install faster-whisper
) p! b% h6 j# J# m" @ Q7 P
----------------------------------------
; B& k2 L4 Y+ {. s2 e9 {' ^: R+ f
whisper 我用的命令行，faster-whisper 我用的是python。
% g0 g- ?# ~' T9 q3 P
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：
. E+ o: f) Q, s8 t* H
3 d8 x" q4 G; g: n* Y% |5 B1 b
----------------------------------------
, ~ E) D, U) n* `# S& O. g- m
, i I/ n1 s) [, {0 Y' Y
from faster_whisper import WhisperModel
' z( v5 ] F4 ^% R% H* x& T" B2 K
5 h' I( K5 A& b* q* S
model_size = "small"
- z5 k7 ^0 L" |7 r4 t7 C# L
# d% y' C) I- l z9 B+ [: j
model = WhisperModel(model_size, device="cuda", compute_type="int8")
" _, V- b* F$ j8 Q
( z$ n( I/ _/ ^- D/ e1 _
segments, info = model.transcribe(
& \3 D# Q+ z+ x5 Q' i# x
sourceFileName,
8 V M2 S; x4 |
beam_size=5,
( i5 L9 v3 J. q% y2 J
language="en",
! S9 Y4 d% [6 W& [: G- p6 t* [' a; A, ~
task="transcribe",
' r6 @1 Q3 E* J0 J* |
word_timestamps=True,
* C8 ~. v- D& q0 V) P6 W) j
initial_prompt = "Hello, welcome to my lecture.")
, _+ S& K# b8 |0 z* ^
/ P# W* p$ o4 j( h: a1 a0 q$ e
for segment in segments:
! O/ L! \5 r& W- R
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
+ r" t6 j' c2 H. t# I
" q0 W0 @# p1 H6 I2 a$ e9 {, ~1 f1 G' x
for word in segment.words:
8 [8 l: a) w- j; F b) n
1 t D# r5 T+ f" _- W
----------------------------------------
; ?8 g1 j$ O& g( P& g2 Z* R8 H
0 `0 C8 Y, y5 C. n* A
代码说明：
% \& n+ M* J3 H8 q; j. l
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。
& T+ P. u P# S
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。
3 E/ ^. R( N1 T. r; P9 A- S
2，segment 本身是很粗糙的，做字幕勉强能用。
- F9 `2 o, U2 i: \- f4 F7 k3 D
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。
- ]4 p( ?4 P D7 g
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
. ~, k5 P& b. V
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
2 \- \5 f7 ? ~$ C" T
5，model.transcribe 中参数说明：
& j" |" ?: {0 ]8 t; w8 C
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
- {: x4 L- }. Z. }( `: ~8 K
其中
8 E1 Q. y# s; ^, K
word_timestamps=True,
( Q8 J7 v# Z! T4 M/ Y" f
保证了你能拿到 word，否则是拿不到的
5 O: W" P& r( K2 b
initial_prompt = "Hello, welcome to my lecture.")
* v* B; h/ J/ K, c y1 d1 T0 k2 ~8 W
保证能尽可能准确的断句 punctuation，但是不是决定性的。
4 d, X2 z! ]# L) [( A. S
其他参数可参考源文件：
% a( l* P# K. ^& D2 l# P
https://github.com/guillaumekln/ ... isper/transcribe.py
0 i7 f+ x- O, C: q1 w3 R5 G
152 def transcribe(
2 Q) _$ y+ S# b" ~
从源文件你可以看到是支持中文的句号断句的。
* S, B3 x7 u1 o. `# S1 P. `
$ m1 ?1 X/ y( C! p, \6 h; g
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。
( f* G, r% a! F' J. f
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 R3 V# Z/ h" ^0 ^. Y
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。
, Y- M8 I; {' _7 Q1 i
' z+ F+ ]# b: L( E1 y$ ?5 g# g s H
" K# s. q) L0 ?/ H% T/ C; b% H
d! T& I' I* ^) ~7 h* d2 A" C, |1 r
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