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

; [- ^" T% K% H& r5 x, W: W1 _8 r
5 M& f' U# H9 x/ V* a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。
. {7 _' [2 ^5 @* y# |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 `* l5 @0 |6 i2 y' u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。
1 h" y; v0 U8 r6 S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。
----------------------------------------
/ j3 S# Y, a3 \* M4 j% vhttps://github.com/guillaumekln/faster-whisper
; x7 `$ Y. M. c. {安装如下：
' Z+ a! ~! {2 R2 V# t4 l7 g9 M1, Windows 10
2, Python 3.10.11
/ m# D$ J; D9 k3, CUDA 12.1
4, 在python 3 中安装
8 v- y$ C/ t' g; e" X1 S. `pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
$ T" K* W# T  o% ^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。
/ J, Y. L6 s8 q2 a) n6 c' Y5，pip install -U openai-whisper
+ z% L; B5 \8 q' C这是向whisper 致敬，可以不装
% j% Q+ ?, @9 d, j  F$ ]6，pip install faster-whisper
) ^( {2 N0 I7 N$ G, I----------------------------------------
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：
- @4 j1 t: ]# l% Y+ ?. b3 _( ]
' Q2 u3 V9 L! E- h- S) \4 c, t! [----------------------------------------
& L9 I4 O4 L8 z+ T' K
from faster_whisper import WhisperModel
6 i% c7 m# Y- m, Y4 |% W. L
model_size = "small"

" n4 p  _9 h% @) H; ^5 l; s# Nmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
  a3 `7 c; g9 K4 _/ m
segments, info = model.transcribe(
) O* [, ]4 v1 K5 F5 t6 e7 `: Y+ f    sourceFileName,
5 s* k* E8 c$ {  f5 p6 E; j# D    beam_size=5,
    language="en",
8 R3 L& N* |+ T  l# l: m    task="transcribe",
2 O" `! _: i8 N/ D: U+ q' ?- U    word_timestamps=True,
0 K- V+ w) V+ o1 _( O% u4 N2 |    initial_prompt = "Hello, welcome to my lecture.")

3 |, O6 E: x# q0 s$ c2 Y/ Ufor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
+ U3 t4 d- h  D$ x' |! I( s9 H% R               
----------------------------------------
( {9 ~. Y" O" @: B8 z: ^, h8 n% ~% L
代码说明：
" _3 |5 v9 b$ ?6 x  L  o1，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 }2 d' w3 r& Q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。
' G$ U4 X% j0 |* N0 o3，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。
1 v5 Q9 S! ^) I( s4，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
) c8 K) X6 M: ]  V比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
5 }2 D- n- J* t5 P5，model.transcribe 中参数说明：
! h" G: z) U5 B6 d8 j. F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
其中
% u9 a7 J: A3 j    word_timestamps=True,
. [* f5 H% Q. Y. X4 q/ F+ a保证了你能拿到 word，否则是拿不到的
  G5 H' {  L7 l1 `    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。
) }+ f& D  K. o" ^, N  y1 X5 d' E其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
, P6 P# v* u6 K9 X152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

% A3 L& Y' _0 `; H. g  N) e6，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。
- S% l4 X, Q' f7 M1 f4 z# j7，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。

5 g) f& F9 [6 f6 G3 [. {

2 l% p: ^+ L, u! i0 o: 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