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
^: x$ L+ W& p
' p+ U. K x' D" t' i8 h6 Q
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。
! e+ i7 A; V ?4 j- m% h' u' s5 I
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。
4 P9 k' ^) X/ T3 i& }3 I; g
----------------------------------------
7 L/ u: J/ n) C0 q n$ k
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 `, R( X4 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。
& a r7 i4 } x W
----------------------------------------
* m! v9 E8 ?+ ]' z# |+ H+ d+ }$ j
https://github.com/guillaumekln/faster-whisper
3 L6 `, J, ^" `: D8 D
安装如下：
D* d! f* n& A! T( H' {
1, Windows 10
2 G8 R2 c+ T0 Q& q0 s7 E
2, Python 3.10.11
( u5 y0 j8 T/ ^% Y& g, X8 u- e9 Z
3, CUDA 12.1
: J( c% @: Y) f+ X1 h& a
4, 在python 3 中安装
& H4 ^2 ^2 \5 C3 \, y
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
7 G* s5 C' V1 Q/ p
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。
, A' x% e& v7 |* `6 Q: d, P& q
5，pip install -U openai-whisper
4 d7 D8 _' } Y9 D/ ^5 g7 S7 l
这是向whisper 致敬，可以不装
& w% Q. p; a% ~0 _0 J, r
6，pip install faster-whisper
+ {7 d) U- S. @$ c' f4 u
----------------------------------------
' k5 N6 j! D4 |
whisper 我用的命令行，faster-whisper 我用的是python。
+ [9 Y" n) y; `: e! f# R7 u* 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：
. c2 a9 k4 V6 Z+ t) V
" D7 E& W, E l4 g% p! R
----------------------------------------
8 J8 A5 g; _# }6 A* F3 ]1 h0 \
3 V9 c7 s7 E# L! B
from faster_whisper import WhisperModel
+ M" K/ a0 C% |& W3 x4 m
3 R" v& |/ Q& X6 Y( A& G' B5 P
model_size = "small"
+ w5 q- W2 b5 }" V0 Q
`6 o) l M' w! }
model = WhisperModel(model_size, device="cuda", compute_type="int8")
- v# _ v0 G3 E; z" F
* p4 |3 Z* q% g( u6 _2 X/ ~9 e- _
segments, info = model.transcribe(
3 N; O8 G K# ~+ s' |* O2 w: C/ w
sourceFileName,
' I- Y' `) A2 {0 y( E
beam_size=5,
$ P7 ~$ V& k" c& I# S
language="en",
; p& O G( ]' u1 r% W C
task="transcribe",
1 [+ p# \0 b. b- i$ C% X
word_timestamps=True,
/ {& L* c( X8 \( U
initial_prompt = "Hello, welcome to my lecture.")
" G( ]; E' c+ ?- h( ]9 C g
, h2 b0 s. a0 r$ b" G* { D8 O
for segment in segments:
: O0 E' `* c ~. [2 j: w: a
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
( X5 f% E2 ^/ `) O4 @
7 E8 B' X0 S, ^+ V4 i+ \3 Z
for word in segment.words:
3 x3 Z, ~* [) Q& u, L# |
8 m* A3 U% ?- e& G& Z# H
----------------------------------------
% B8 }1 ^; e/ ?/ N- P* N
C2 r8 s8 k H: P& H/ o& E3 W
代码说明：
) }2 u' v+ [+ v5 l- c( K/ N
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。
8 d+ I0 f" P! W- `3 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。
, S% c" l+ y8 e, o9 G7 H( w
2，segment 本身是很粗糙的，做字幕勉强能用。
3 K0 P# n* G. a. f6 ~1 T
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。
) D: `9 o; |/ 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
( c- u0 o s, ?7 r( }
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
0 r) e7 m3 E+ a/ f, c
5，model.transcribe 中参数说明：
% {. n. _. a% c% Y2 I
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 [( Q+ j- T6 {6 L2 W( v
其中
# {8 b* \; I6 M+ @) D+ D5 \
word_timestamps=True,
4 b6 Z( ?9 X* F
保证了你能拿到 word，否则是拿不到的
4 ~! B1 L/ U6 \# H' L
initial_prompt = "Hello, welcome to my lecture.")
7 c/ ?, G$ C5 A# d/ \" f
保证能尽可能准确的断句 punctuation，但是不是决定性的。
$ X% r. g1 y& W/ g, M9 X+ t% e
其他参数可参考源文件：
6 Z0 w3 [- l/ `) Y6 B I
https://github.com/guillaumekln/ ... isper/transcribe.py
, U& ?. A, n* j9 q. h# ?) \& g# f
152 def transcribe(
$ ?2 `! ~ {( S' D2 |: \
从源文件你可以看到是支持中文的句号断句的。
: Y* {# t7 [4 }/ [& \
( \8 y5 V. H4 ]1 @% 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。
1 p. u* E2 k+ R9 N/ Z+ a7 s1 t ?
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。
% j! D) a- r( A% E( 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。
2 k* F l6 V$ j8 U9 U3 O! D3 T/ n
9 g+ }' J: m7 ?0 L& @* P
" h, w* b* I7 o5 d1 }+ u- z
6 x" ]/ @- z8 n" ~# A" j, m
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