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
8 S% e8 i8 X, n7 J4 z+ C$ d8 f. h
* W7 ?! ~+ U! v- B6 W& a
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。
1 A, C6 x, }( S
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。
1 C& b J7 K( m" O9 g/ r9 _7 s
----------------------------------------
/ h' _* Y* {, e D# o
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。
& a/ O- q+ L+ }2 O+ \
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。
( N4 i2 P5 d! O9 z, u7 C
----------------------------------------
* E# D! q( L8 R; i" m0 x
https://github.com/guillaumekln/faster-whisper
4 z# t( k) E. S1 s
安装如下：
: i; }. K0 s5 z6 _' F+ f, A Z# r( m
1, Windows 10
/ e% J) O9 ^. J# ^
2, Python 3.10.11
; i! d9 t, s5 g X9 }
3, CUDA 12.1
% p, l" A: s$ w' Q% A( d/ a
4, 在python 3 中安装
. T. e4 n/ U4 w9 k; D
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
; T) K2 p1 P' s: _" x
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。
{6 i( G1 U+ C- f
5，pip install -U openai-whisper
! n& |9 a! y# h+ ~6 w* V& ?8 |
这是向whisper 致敬，可以不装
, }2 v8 j; P* X. S. f
6，pip install faster-whisper
' j9 E9 m( h+ m/ {/ z7 Y3 D/ p, |8 z4 p
----------------------------------------
, X5 y/ m: x+ b$ r- O% H' q
whisper 我用的命令行，faster-whisper 我用的是python。
& I/ J: k( u# A; W; c, r/ G
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：
" r, w1 D6 _! {* U4 ~/ M4 N
$ g6 \& p9 R: O
----------------------------------------
( R& w! g" H; _4 \; j
$ W" N0 H' ?5 q0 x% S7 g
from faster_whisper import WhisperModel
1 Z7 J+ x; a( t: ^4 ?/ u7 r8 F
) m$ a& _, `+ a @7 t, [
model_size = "small"
* e4 J1 Z; ?: _6 n0 B9 h
/ x+ ^6 M, s) Q% T, U# T' ~
model = WhisperModel(model_size, device="cuda", compute_type="int8")
! Q( k1 X; N% e9 m3 l$ U2 H
2 j9 c2 q# v) `2 C
segments, info = model.transcribe(
P# B2 t. |0 B9 ] _
sourceFileName,
$ C; m5 }7 l9 {4 C" H
beam_size=5,
5 Z2 ^6 M5 d/ k- E" n6 ]
language="en",
4 F, p. u6 D" h5 t8 z
task="transcribe",
) h5 y6 {: b# U2 F L/ h
word_timestamps=True,
" x4 u: p1 @4 S3 b. e: s0 t7 |
initial_prompt = "Hello, welcome to my lecture.")
" t! `" {4 Y9 @% G2 _
4 V# t) T1 Y4 @. M U4 j4 h# _
for segment in segments:
8 B9 }8 Z# ]" O4 K2 d
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
/ u/ ?. v c9 |" z; t9 D0 w2 w
8 ~0 k. T5 t1 I$ b$ I
for word in segment.words:
% A0 u2 n1 N! o \( L. f
) G! D9 T, `; J6 ~) ?5 {
----------------------------------------
) \# {. D* X) o( w1 C. r
6 D6 O5 x0 f6 P B
代码说明：
$ E& j4 D' J0 {! B9 x. m0 S
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。
; p6 L9 f* Y6 t k7 m
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。
( f c2 h# t9 F9 E6 k/ p$ \7 l
2，segment 本身是很粗糙的，做字幕勉强能用。
: b4 o& ]% Q: k- b. E2 j& J
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。
, Y' W; Q6 z+ b& P Q
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
- [+ ?4 k* y" h' S' U$ b9 R- h, z
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
* p7 v8 }3 h; h* P% o
5，model.transcribe 中参数说明：
' u! H# u9 F; g6 h
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
0 F( Q, U" k2 w: F# E) X
其中
2 n- t5 y3 X- j* F
word_timestamps=True,
( A1 q3 o' Y5 G4 ]3 e; d
保证了你能拿到 word，否则是拿不到的
" Z6 U8 F$ D" r+ [$ f) ]+ |' u6 W+ `
initial_prompt = "Hello, welcome to my lecture.")
0 @: P; H: y6 h8 K8 p
保证能尽可能准确的断句 punctuation，但是不是决定性的。
* Y; _4 X( |/ k0 p0 t
其他参数可参考源文件：
0 f4 D' a# k; b; Z$ ?% y3 v
https://github.com/guillaumekln/ ... isper/transcribe.py
9 f3 N& V( r6 m8 J; o
152 def transcribe(
8 j. }- K6 Z' K
从源文件你可以看到是支持中文的句号断句的。
* ^+ n6 l* {' R" _
; K: K5 I2 b( P+ ]8 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。
) K, Y N3 d' g7 ~* V/ n
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。
& d6 A9 y; g: t" N' s# L% p: G
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。
1 ~. B7 _% {9 c! V( G8 E& F
; b! R4 y. T, R7 b' o- x) j- P. | W
& x: e% m8 V/ d. _
" M. `1 l9 O+ a, P2 `( y
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