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


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* k  {$ I& N6 k) V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 i/ M: z% C* B" {" {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。
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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
7 Z+ P0 O+ G6 z9 C, K安装如下：
1, Windows 10
, d0 c: N1 P5 i- k) R  I% g' v2, Python 3.10.11
) a5 a* F! E2 `% C* u3, CUDA 12.1
4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
) y) [) G( A2 n) K% k9 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。
5，pip install -U openai-whisper
) t5 z# H5 F& H. x2 B6 B) s这是向whisper 致敬，可以不装
" [7 s* ]; [7 K2 t' U6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
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：
" z1 w% n4 m* i4 _+ o
----------------------------------------
, l* X" }2 U- B' {# G/ w
, }2 l$ B2 M& ^8 wfrom faster_whisper import WhisperModel

8 Y6 v$ S% o- X7 vmodel_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
4 c& k( }* O: {/ U
segments, info = model.transcribe(
$ M3 w, D# ~+ ~' S: d+ ?    sourceFileName,
    beam_size=5,
5 P! m& [2 y2 I4 L. j/ u. T. g    language="en",
5 f) R/ T2 T8 o0 }2 |5 r) v( e    task="transcribe",
    word_timestamps=True,
4 o! K* M3 a8 ~/ f" n( a( i    initial_prompt = "Hello, welcome to my lecture.")
5 P' f% K4 P$ g2 X0 k7 p
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
9 X8 a7 ~1 O. y/ v9 O9 I0 l" n               
: Z) w; Y" \1 Y- N----------------------------------------
. s& S# B/ I& e$ b
代码说明：
! C2 j$ U& K3 n1，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 n5 L. ]& x3 C: ?: n% E# F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。
2，segment 本身是很粗糙的，做字幕勉强能用。
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。
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
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
) F1 h( D+ t3 `3 y& _. W0 ]5，model.transcribe 中参数说明：
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
( M0 e2 G3 T: Y  @$ F# i9 k' |! I其中
    word_timestamps=True,
4 Y" m, ^$ P# V6 C2 a- ]4 w+ S保证了你能拿到 word，否则是拿不到的
- }& T$ Z3 M& G& _, `% X2 g2 L    initial_prompt = "Hello, welcome to my lecture.")
保证能尽可能准确的断句 punctuation，但是不是决定性的。
其他参数可参考源文件：
- V) Q* W+ X% g* w4 r/ yhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

" B: u9 R8 Z0 l1 q7 A6，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/ R& I  n) f! Q7，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。
8 n# B, j4 I6 w7 b7 V8，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。



9 T' D' q$ N  m( {9 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