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
/ N! U" y# i" X J; w9 |0 y
6 U* W, \7 u4 G
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。
4 }5 M1 X+ E2 u. H" A9 L( r
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 a* t/ I7 z7 _ U! v* |# W
----------------------------------------
0 l. [1 U8 w0 v: q1 Y
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。
: g( z, ^9 S5 |% b6 R) k! A
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。
Y1 t+ N0 K/ G% @
----------------------------------------
- R& ~6 r/ V- h# o9 U# m7 u
https://github.com/guillaumekln/faster-whisper
6 B6 Q0 [; m+ y% f* x2 k3 i
安装如下：
1 K$ h# D+ T" b |* b
1, Windows 10
4 E; [4 {$ U6 t7 s! ?
2, Python 3.10.11
2 h/ Q H' y/ n( c
3, CUDA 12.1
7 @. \6 q' l4 s- }' Y% B
4, 在python 3 中安装
( B) C: ^: E/ i; u
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
7 s+ o+ ]6 ~3 l' T3 w! ^" S
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。
' H% a3 m3 J7 w2 s3 x. W) ?' R( J& z' _7 d
5，pip install -U openai-whisper
3 _) M, \# v" K. ^( c7 k$ E
这是向whisper 致敬，可以不装
& y1 W5 D0 O4 A; g
6，pip install faster-whisper
/ _; V; i: Q7 \. C; U K3 w; H
----------------------------------------
, M ^, R- e! A, l6 t: o
whisper 我用的命令行，faster-whisper 我用的是python。
4 i' Y) ?! C/ D- t/ {
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：
5 z) w: x4 @/ d3 Y7 h
S9 Y" ~9 h/ t$ B" z( K
----------------------------------------
1 | E8 B1 R$ l% H
! \; Y3 ]6 U: }3 R
from faster_whisper import WhisperModel
! }/ T+ t( Q/ K0 F9 f3 _/ h& S0 ~
/ I9 `2 J, A% P7 W& ~
model_size = "small"
' ~& }) k8 h d! _ x( R
0 ^ H9 L: U0 o, _4 r7 w
model = WhisperModel(model_size, device="cuda", compute_type="int8")
" G7 ~6 p9 g3 X6 c3 u: i. ~$ u& D
6 A, n, V& R$ {5 r+ |; e
segments, info = model.transcribe(
) _. h: v* h' C0 Y7 {1 f
sourceFileName,
1 ]) P4 I1 s; B O9 r6 e
beam_size=5,
' ]2 d0 E3 S/ P: w# `, t
language="en",
7 Z* s& S* X5 @% N8 v1 v6 V
task="transcribe",
/ C4 t }8 T3 X: B! a
word_timestamps=True,
, w% g; J8 M4 B0 C v( ]# U; `
initial_prompt = "Hello, welcome to my lecture.")
5 X% @1 A% w4 P, m5 R
. f. b( V" b7 a4 e( @" Y
for segment in segments:
* q Z* Q% z* B1 }. [9 f1 _! X8 \8 F
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
* J3 W. `2 o2 h* u& Z
& Y. F, j: i! j4 z' G O1 ~
for word in segment.words:
; h: k5 }0 N, T2 Q+ H' x; P
5 u! D0 g0 y! i4 C3 r) l5 j( x
----------------------------------------
3 K1 E! ~( r+ h, x" [
# G7 d$ v& \1 D+ U1 f% b W1 y' ~
代码说明：
% `' v8 a& p* t+ I2 B
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 f; h5 q3 x6 z
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。
/ U$ {$ J2 [1 _4 i! g5 L% f
2，segment 本身是很粗糙的，做字幕勉强能用。
* k; L& B4 e6 P2 d, 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。
8 e! S3 t5 a* s) `; j: K+ S- O
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
" V9 d/ k& \4 h- W$ p$ u/ c
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
3 `8 A2 u7 w0 m& e
5，model.transcribe 中参数说明：
4 I) @2 G, T" Z# N0 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
# l/ |9 Z% u, Y
其中
) }& n$ d: P- {4 I( ~
word_timestamps=True,
: N7 G; M/ i- c
保证了你能拿到 word，否则是拿不到的
3 m: Y8 J3 S% y1 @: s1 v$ l# r7 C" C5 M8 g
initial_prompt = "Hello, welcome to my lecture.")
$ Z5 z; f8 W( d4 p% k
保证能尽可能准确的断句 punctuation，但是不是决定性的。
% s: W4 B) |+ @2 o/ M
其他参数可参考源文件：
) B2 \- ^5 o9 {$ ~# ]
https://github.com/guillaumekln/ ... isper/transcribe.py
5 R, y" ^7 k# ? X3 v
152 def transcribe(
9 M$ O( E% j. K) i# f. V D
从源文件你可以看到是支持中文的句号断句的。
; Z( j6 x0 J) n$ a4 s+ K2 ?
8 x1 C# _* ?1 D* d' d
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. Q, x- g8 g9 |/ [
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。
O6 {) p2 u2 A5 S8 G7 R! f" t
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。
* G- l5 M4 p* c/ w9 B3 {
& s& o' `' N$ G) ^, Y& C& c
w" n. d: W1 O7 |
* n) f& z6 d1 T3 V4 E8 x
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