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
+ b* S- b7 N8 t2 y! p3 g
3 M/ b# w+ b0 m; E: q" X: ]7 r
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。
7 J1 Z4 `4 { A% 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。
! Q7 p- A: E1 ^ P# { _
----------------------------------------
& a8 H8 D/ v1 r' N7 t( { 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。
3 R5 k2 f! ~; B( Z4 r
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。
- I3 H' J+ [8 c, ~9 W9 @
----------------------------------------
, p, Y" D- z" z4 L$ T$ u
https://github.com/guillaumekln/faster-whisper
" k! L( Q$ v- t& u
安装如下：
/ [. } z5 Z. B$ Q, |) g
1, Windows 10
; d( y) \4 p4 k4 a. W
2, Python 3.10.11
* d& W+ V2 T9 f, w0 E
3, CUDA 12.1
/ o9 n% P; x% ~$ _- {
4, 在python 3 中安装
6 H2 G3 y5 i! {+ U: ]
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
. z) `" f, _: R1 Q# I$ C. e8 Z5 t. E
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。
" r% V6 L$ Q' J1 L, Z; P! Y
5，pip install -U openai-whisper
! ~. R5 G b4 }: L
这是向whisper 致敬，可以不装
) q1 O) \9 ?. w5 T2 ]9 `& w
6，pip install faster-whisper
& y7 Q, d, ^) B9 A ]
----------------------------------------
6 k% [5 P, b) l6 S8 y- g) d1 _* Y1 H
whisper 我用的命令行，faster-whisper 我用的是python。
$ r/ H0 p8 Z0 J% V
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：
' M' v! r3 Z; o2 m3 p
3 j9 Q5 i! r, k& j! ^8 H0 h
----------------------------------------
4 H# A7 `) A( N3 q' d3 _& U3 m4 V
/ T( T& ~9 u$ U; F$ @* F' g- Z% d) m
from faster_whisper import WhisperModel
K' m4 o9 v& l
2 u: C* n2 F. t. O1 f- _6 X& o
model_size = "small"
# R) b, B- k0 u0 y( n/ k% s
% }7 G7 n0 t; o! _% v: K7 U
model = WhisperModel(model_size, device="cuda", compute_type="int8")
2 R0 q* |% ^4 N: f% c
) J6 \6 m0 c3 |) X/ n; q- d
segments, info = model.transcribe(
+ d$ y0 Q! ]0 w5 T
sourceFileName,
; {2 v5 M- |+ n, L1 h; ]
beam_size=5,
6 m. a5 Y% y# T6 j4 h8 b
language="en",
8 c; B/ q9 Z0 y/ y; d+ @. h& C
task="transcribe",
! J& n$ z7 x! ^" f/ G4 |
word_timestamps=True,
( L U+ k" K$ j& r2 q
initial_prompt = "Hello, welcome to my lecture.")
8 G- m7 O5 P* |2 I5 Q
. C/ V2 j. g# i3 g* e
for segment in segments:
8 Y! X3 f+ k5 S/ l5 c- }9 K9 Y
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
% E2 e# g9 O# a: I# V3 i" z
3 N1 J" A, G% Z) E
for word in segment.words:
$ l# v6 f" r" X0 h( ]
/ g1 b* f' v6 @1 {+ |9 u
----------------------------------------
7 ~! v+ N) L9 Z6 V! d
/ ^9 |- V T7 E7 x1 \, i" x
代码说明：
. ~. |. V9 E3 r6 p
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。
4 R; e8 Y s/ _; L7 y
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。
( `! k+ F* W& a# n
2，segment 本身是很粗糙的，做字幕勉强能用。
$ ~' k& J/ d/ c- i3 v6 Z
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。
6 t2 B l/ v; `: _4 |& x
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
9 x) {8 U; e3 c# Y: @
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
9 q5 y3 ^/ O: w/ W$ k$ Y
5，model.transcribe 中参数说明：
5 V0 |% [( d6 N, q. j8 \
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
, ^/ m) c. {0 y' N! t
其中
' n1 z$ X6 I8 N; Y
word_timestamps=True,
# K/ ~) {) J: y7 W
保证了你能拿到 word，否则是拿不到的
. p+ O. A3 V5 S4 ]
initial_prompt = "Hello, welcome to my lecture.")
+ w3 |* Q t* j6 J
保证能尽可能准确的断句 punctuation，但是不是决定性的。
4 l2 c3 y( @0 c) B$ ?
其他参数可参考源文件：
5 Z, b+ M! z0 Z7 h8 @& R2 j
https://github.com/guillaumekln/ ... isper/transcribe.py
6 u9 C+ Y! i& N/ n3 g; l
152 def transcribe(
9 C5 W' e! U4 W( @
从源文件你可以看到是支持中文的句号断句的。
" u3 }7 P/ w! _5 [, \
( H. f# T$ E2 r, D4 E/ E* p" F
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。
0 P; S" P) w# `
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。
" {; n: a* G) o5 s% d! n$ A$ B
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。
( t9 C/ A5 B' E& y) `' E; U3 P# e& K
0 M( J/ ^* K* p" K, p+ a6 l
4 j. Z- [+ r$ E5 b& u" J
( ] T( b p4 M# b, b
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