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。
2 h5 u6 |* M: p' x" ~5 D3 j$ t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。
% Z/ O& [: z; r: F7 a; l----------------------------------------
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。
! s) ^! k6 o4 t: W! J----------------------------------------
2 g, g" Q, w( R; X, ^https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
1 Q: x  J/ L; h1 \9 P; G  M7 _3, CUDA 12.1
4, 在python 3 中安装
8 r3 y; ?1 H1 \! epip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
& y" ]: K: r- X: Y( Q( M( J7 k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 U. \1 c* M3 l" Q- o5，pip install -U openai-whisper
4 @5 s# t) A1 z  g; q% M3 L这是向whisper 致敬，可以不装
4 g. e! y. t* m. c! i- n  y6，pip install faster-whisper
$ J$ u3 _2 N+ P' a----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
" F: U6 ?% ~- j" p; A0 m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：

----------------------------------------

- H9 G) C1 B3 w  z# efrom faster_whisper import WhisperModel
$ }3 A+ U. ^. v
model_size = "small"
& x) d% F' z2 v# b7 y0 m& u
model = WhisperModel(model_size, device="cuda", compute_type="int8")

9 {8 \# ~$ E: d- m0 h0 H1 {# hsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
( p# U, {4 r- M0 s9 Z    language="en",
    task="transcribe",
: ]$ r" Y" ~1 h4 Z$ y+ M/ Q    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
! r' K; I) S( T8 I. r) Z               
7 \9 c7 I7 w1 ^$ u0 x$ a& f7 c----------------------------------------
8 x8 a4 g: I* f1 c' B
& M4 ~( Y( j7 j+ a/ ^4 I代码说明：
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。
; [* ~$ E3 l& l2 l/ s; W0 }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。
( Y' l4 b: i- `7 ?$ e3，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。
0 z/ ~# e, G6 Q& T$ L2 U, ?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。
, A7 _. Y, F' m5，model.transcribe 中参数说明：
9 |& [; i" b, N% K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
) s' }0 o2 h( l  J2 R其中
    word_timestamps=True,
( ?6 v/ c6 K# A# ]保证了你能拿到 word，否则是拿不到的
    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：
  n" K2 u8 u% lhttps://github.com/guillaumekln/ ... isper/transcribe.py
% c9 m& a) h& Q% ^- b4 D152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
5 G4 ]$ v: ]7 d% D( |
2 G- T" n6 }1 [+ o$ k% s4 x' [2 K8 `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 \& E2 H3 {5 X  r7，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，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。
, H' X1 H, u* T8 r8 Z0 Y" }

4 K0 A9 H- X8 A9 b7 ^8 C

---

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