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
! a, s- g0 V- k+ c, R3 O8 m6 g
5 l5 ^* {3 t. Z, s& H/ e
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。
# Z6 `2 R E* U! o6 @$ E" D e0 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。
0 _- \+ S. j, u) a+ c% M* C: `( |
----------------------------------------
9 J/ p0 j# r+ 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。
% H9 T4 }, n3 s9 Y' ^8 j# V- ^
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。
; s5 c$ h0 W! V( x, y/ f4 B
----------------------------------------
3 M* d1 ^: |5 ^/ _
https://github.com/guillaumekln/faster-whisper
9 F4 G, w0 @' A3 b4 P2 O( q
安装如下：
9 @" L. s( ~9 \ u) F1 l! C
1, Windows 10
2 ~1 A8 z1 @! k; v: N& \
2, Python 3.10.11
6 H7 C2 n# M4 [% }1 M6 ]. J. D
3, CUDA 12.1
! g8 I- F. _2 V& u
4, 在python 3 中安装
5 y# H. L' W! |- B" j: a( r( |7 z
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
+ B- B8 @+ _0 [+ p% b
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。
) {7 e9 k/ e+ t- b) n) _: f5 k3 S% a
5，pip install -U openai-whisper
, ~- h9 l) A5 J5 T( M# W
这是向whisper 致敬，可以不装
J. x1 I9 [3 D @/ m1 V
6，pip install faster-whisper
4 Q9 W* |7 U/ i* q+ u7 `: T$ X
----------------------------------------
. J, O/ i9 K$ Z( u% A
whisper 我用的命令行，faster-whisper 我用的是python。
_3 P6 K4 k0 F8 l. T0 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：
K6 v" b0 l6 |2 a7 e. p. T& b' ~
* F, Q5 U ?0 T; v3 \1 j
----------------------------------------
" ]9 E* q- U7 Y1 S
* ?4 j0 Q$ w. O- o5 c
from faster_whisper import WhisperModel
) I e* m+ z1 s# z. g
7 p& q' X6 h$ U' k% Y2 B
model_size = "small"
2 |9 Y; K; X3 }: k2 u1 r
' |& K; S1 a3 g
model = WhisperModel(model_size, device="cuda", compute_type="int8")
9 n5 Q) W: N) `* p0 C( R3 t
1 ]( B# T7 c u8 ]) f1 t
segments, info = model.transcribe(
; c0 c2 _; m) T7 h
sourceFileName,
( w9 |, ?# ~; N2 I; _
beam_size=5,
/ v1 u$ X( e$ q: G# R" b8 R
language="en",
9 J' W* L. v1 j7 F5 W# h8 F4 \$ S# b
task="transcribe",
0 O) z% v" W! B
word_timestamps=True,
3 b: q6 H! p3 t) E
initial_prompt = "Hello, welcome to my lecture.")
& [' M( ?, {" W. F/ s6 T
7 U5 k3 Y8 R0 o. w" \
for segment in segments:
5 A4 u$ o* v7 J
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 W% F- { a, f8 O; T
# _ ?5 b# E. O7 e5 c1 f4 s% f
for word in segment.words:
( D& R) ~9 t/ D4 r4 }
) b$ x( D' C0 }, E% c8 M& y
----------------------------------------
* w8 w" v6 W" Q; v/ M
7 k/ c5 v& { E* m: |
代码说明：
7 ^8 j6 Z) _8 ?6 o9 P% {0 ?- j
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。
9 j, ]& {5 K) U
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。
( k8 X4 B' I+ O$ t b3 G" t
2，segment 本身是很粗糙的，做字幕勉强能用。
( @2 u3 E/ z1 o! r( a3 Y
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。
& u* j$ g; q. ^9 V' _5 b
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
. H/ d3 a ?, M9 ~
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
/ e2 z+ M' X8 w
5，model.transcribe 中参数说明：
! k$ q/ f# z2 \. A
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
( R3 ^) Z! t4 v: g1 O" F
其中
" ^- P! ~+ z5 S5 P# b1 M
word_timestamps=True,
- w' v, w( @' l
保证了你能拿到 word，否则是拿不到的
( U, u, I0 r6 V! E, ?) C
initial_prompt = "Hello, welcome to my lecture.")
# R O* \& e! V3 f( {2 `
保证能尽可能准确的断句 punctuation，但是不是决定性的。
2 r% E! j. f. M& Y# q' i
其他参数可参考源文件：
" o* d) {, C4 t% @* x
https://github.com/guillaumekln/ ... isper/transcribe.py
/ V! x+ ~) q8 H' |) O' Y% ?, S x
152 def transcribe(
( ?7 g. G6 `- e, w, c- j2 r" E8 H
从源文件你可以看到是支持中文的句号断句的。
4 `" `, V! G! C/ o+ F* ], _
0 x1 o) z( z! _/ b9 o$ s* e2 x N
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 I2 D. g. Z8 b, G
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。
, `/ v5 k8 H, }. T
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。
& Z! Q. z/ |( {$ ?" H, W$ A
, i- H$ ~* h/ V2 f$ h) s% z5 }8 e! {
. s- E6 G! l+ ?
: \! X& g9 o `$ c% d/ B! _7 Y1 _+ 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