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
' R) v% }* _# C7 }' X' X3 V
: N O) e2 Y0 `9 T# l
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。
4 U: p' Y& V3 r% J& c# ^! y8 _$ r1 F
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。
5 A) q) }2 I, M& H- a6 e
----------------------------------------
' `2 a4 O h. N: X: _5 ^7 R; G
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。
2 v& q4 W6 e" T5 ^2 p+ H. A
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。
; U5 u# C. T# ]+ o) C6 d8 c
----------------------------------------
; l, A$ L6 l4 D+ L Q- `. |. T' W/ z
https://github.com/guillaumekln/faster-whisper
1 X" b- n6 y- [) i5 Y
安装如下：
0 I+ ~. n9 V0 L1 a2 \
1, Windows 10
2 _- y/ A0 E Z9 i
2, Python 3.10.11
8 \# ^ m9 P# ]- |& V0 q
3, CUDA 12.1
$ D! f+ |, W7 y
4, 在python 3 中安装
# v& _7 L6 n* r+ e! Y
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
7 U7 X% a( t- M1 _5 K/ a7 E' a
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。
4 d& \+ @' p- B, v- Z9 ]
5，pip install -U openai-whisper
& \, S8 O2 l: M! k2 |9 a$ P
这是向whisper 致敬，可以不装
7 v% l- Z6 }) ]) z6 k4 d2 ~
6，pip install faster-whisper
* ]& _5 z+ R" c7 ^
----------------------------------------
1 T1 s! K; {, w/ K! w3 Q; L
whisper 我用的命令行，faster-whisper 我用的是python。
1 Z+ u- k) Y! f& v8 C' ?8 S8 B
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：
; z4 C+ ^' e" ]+ t& |6 |( X% f5 H
, X) r) s( n) D7 }. {
----------------------------------------
8 v8 r) @1 k) X
# H0 R" V7 e! n6 ^7 O
from faster_whisper import WhisperModel
! [# l6 q+ }! i# M6 H# x7 k' X! [6 Y
, l5 U& E, x+ q% }2 b2 V
model_size = "small"
. [" n1 _) I @9 `
& B3 O2 F! D/ m
model = WhisperModel(model_size, device="cuda", compute_type="int8")
) y' u" I3 c5 a M) [5 A
5 D) w6 P- h0 o' s4 ?( Y) n
segments, info = model.transcribe(
* U) l8 O' U$ v- S7 t* T
sourceFileName,
) x$ g) |6 S/ Z) J' ?0 ]. k d0 R
beam_size=5,
. H4 ]- ?' S5 l$ I
language="en",
' Q' {: ~! Z' H( t
task="transcribe",
g! W, ^+ y" t* y' u
word_timestamps=True,
1 m6 q$ a1 z' r9 e9 [% P
initial_prompt = "Hello, welcome to my lecture.")
% g; h+ G# Q. e, c- P/ `( V
5 B: y N9 _( p
for segment in segments:
6 g# L5 ~0 ^; S
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
7 ~" t5 h" ^. H
2 Z5 u1 d# m* Y( _
for word in segment.words:
- U2 {7 m9 D3 u7 y0 \& _1 {" `; |
9 Y% g+ r% w [8 R" T, a, S6 A
----------------------------------------
2 Z+ |: B0 a" O- Q! }& @
4 l1 w$ g$ r! i8 B9 k2 M1 r" ~ p
代码说明：
7 B6 C$ a+ q5 p9 H
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。
/ C7 O& e8 @" A! {% C) i9 y
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。
/ a1 i- W- ]! V, Z- V
2，segment 本身是很粗糙的，做字幕勉强能用。
3 n& T' J3 ^, T5 m8 `
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。
& P9 {# J6 [. d' Y% ?. u. z
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
' q3 N4 A' P5 r7 X
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
; J! z) X. a- J d
5，model.transcribe 中参数说明：
6 S9 x; L6 [& 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
* Q4 K9 r w( Y
其中
* M7 z$ Y9 Q9 z |1 K
word_timestamps=True,
: ~ Y: n2 r* @/ ]
保证了你能拿到 word，否则是拿不到的
& ^0 s# [* h3 z1 F( x1 j$ _ U
initial_prompt = "Hello, welcome to my lecture.")
% f% W/ }4 H8 `
保证能尽可能准确的断句 punctuation，但是不是决定性的。
! W: z) e& |5 y+ A) r
其他参数可参考源文件：
% s# c. L* C& t+ l6 e
https://github.com/guillaumekln/ ... isper/transcribe.py
5 H" j R' p' E3 P
152 def transcribe(
% n, Z6 M# d1 M' B l% }# C
从源文件你可以看到是支持中文的句号断句的。
/ F' k& G0 R T* _4 O
9 M( T3 p4 T \4 |9 M. x
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。
( s7 y5 P. p4 t" L) [
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。
: d8 s0 ]1 s+ Q$ m- h& r U/ H0 B' l$ x
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。
1 S" W3 X4 r, e% `1 q8 K6 D6 j
1 E7 Z( Y D; }
/ k7 w9 x3 L9 r% ? @# I# K \
6 ]; |4 N( d; X: o
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