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
7 Z) I6 S; v/ I/ _& D5 c! y1 k, b4 b
; F1 L% y! u! c! Z: w, z+ [8 l
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。
& m% H1 u/ a/ c) r* n+ G M. C
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。
/ }7 w1 s/ n4 z) \- r. J
----------------------------------------
' Z) L* v4 j0 m2 ^ k/ g6 K$ f) A
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。
2 n3 q# F# W$ {' q% z2 a* J! X
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。
5 D1 H0 A9 b0 _! E) L( A
----------------------------------------
6 H$ F1 Q& u J. n' \0 |9 _
https://github.com/guillaumekln/faster-whisper
' ^0 G5 v7 b- W2 Y
安装如下：
, b+ t/ v# ^' g5 ?& Q
1, Windows 10
! }, q5 r/ z8 Z: Z8 S
2, Python 3.10.11
. ~! ^& a1 L, {( [$ V; x H7 G2 y% q! ^
3, CUDA 12.1
* H' I, z- G6 x
4, 在python 3 中安装
# j. s ~- d2 W( U
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
- V6 Z. J* B0 y; C6 _
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。
3 p8 |$ u1 {7 u. u @' V
5，pip install -U openai-whisper
& O( w, r; q/ E
这是向whisper 致敬，可以不装
; E% z0 p0 E. u1 _6 v6 M6 ?, U* ]( `
6，pip install faster-whisper
% v d# W( y! ^
----------------------------------------
/ u7 {4 J6 a& l0 f" z% x- i i1 x2 a
whisper 我用的命令行，faster-whisper 我用的是python。
" |2 v2 x; f1 K7 f0 d3 X
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：
0 h1 W) }& c6 o8 k# {
' H. f+ a/ a8 c
----------------------------------------
; Q: }* N w9 H& ~; _1 D9 ~
' A: e4 d4 O; Z5 ^
from faster_whisper import WhisperModel
: b' f1 ?+ D( \$ H& A2 i$ d( ^- w$ T5 D+ J
- B& q' j# U, M( U
model_size = "small"
4 u8 \0 V2 r% J5 T5 a- J" a
2 v# d' Y4 {5 d: E1 |
model = WhisperModel(model_size, device="cuda", compute_type="int8")
0 z- v1 O, \. C: l5 Y
* S; E6 ]1 b4 y+ y4 N
segments, info = model.transcribe(
8 J2 A' M. P" g# h5 }" c2 f
sourceFileName,
+ o1 j/ [& @8 w2 ^# e
beam_size=5,
' \2 T& ^% P! ^* U' V/ s' ]% V; Q2 U
language="en",
M. Z& z ]9 P: @% z& \5 u
task="transcribe",
. t, ` |8 l+ Y. T- ]9 A2 o* H
word_timestamps=True,
9 I; y* `4 |* y, J) I! p. Q
initial_prompt = "Hello, welcome to my lecture.")
7 H6 W) G1 d8 p0 ]& f" j; f
8 R/ K1 A0 i6 j, }: G' e5 A
for segment in segments:
" j+ J& \6 ]" C4 R+ R6 J" _% j3 n
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
- V4 M& ~( a: s2 p1 Z, k5 b$ p
! ]0 J. E. W% z$ t4 K
for word in segment.words:
6 S! }7 F3 }* a
" o0 z% N2 t1 P( q# m$ Q9 t5 u
----------------------------------------
% h [3 w$ t( ^( i
- _, T, j/ y M
代码说明：
0 |/ H% v. K' n y' v
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。
" H$ M- ^6 ]0 I' B- ]( L
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。
. h8 k5 p; k6 i" u4 U; \/ V
2，segment 本身是很粗糙的，做字幕勉强能用。
% j) `6 I5 q. v/ ?+ G
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。
5 y' M1 X3 r1 y
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
# z1 I6 G/ n( a3 z2 z2 C- l; j6 X
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
w: s3 F6 J- D# i% D9 D% @, O
5，model.transcribe 中参数说明：
' o& s# `6 B- c {, t
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
5 O- E% j% O/ p! M6 L3 X
其中
. R' F% ?. g1 s& F3 l1 V0 P; ]6 I6 `
word_timestamps=True,
# s G- N( R0 f9 B
保证了你能拿到 word，否则是拿不到的
* y* Y! i3 U! V# c
initial_prompt = "Hello, welcome to my lecture.")
- o$ L3 v& }; A9 [& s$ z7 @' e
保证能尽可能准确的断句 punctuation，但是不是决定性的。
3 O1 r8 }, b* j. E; e1 R5 |7 y
其他参数可参考源文件：
n: X& u( F; ]/ J) g' U. v4 F5 E
https://github.com/guillaumekln/ ... isper/transcribe.py
7 F3 ^3 Z4 v H4 U$ ]0 p$ x
152 def transcribe(
( t5 q0 q9 c v% S0 J# c
从源文件你可以看到是支持中文的句号断句的。
, g. e r% f# e6 m' q2 y* m
! e! a, f" ~$ A) a* w
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。
: r$ P A; E, t# A( k
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。
1 a8 D, E" l. `' E( c% i) ?
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。
+ x' E" m& o& |% I" w
/ j0 v. c3 |% a; T4 H6 s
7 }* D! p! G+ T6 X
5 _; D5 p& _/ R! F: L" 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