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


% B3 E$ }! W3 S! B$ @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。
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。
; e$ I8 p: _3 c* `3 i0 Y----------------------------------------
! d1 z3 |3 A/ e1 B; J! L% r+ _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。
/ A: x  m. K4 x; A2 V" l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。
& v( ?0 g  O% t7 {----------------------------------------
7 j& i& |6 t3 _8 c( {4 @https://github.com/guillaumekln/faster-whisper
9 x" T  O) l2 s安装如下：
1, Windows 10
2, Python 3.10.11
& k# X' _& H1 m6 m3, CUDA 12.1
4, 在python 3 中安装
1 R5 Y% q) ]" s1 a+ fpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
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。
# n5 w" V: r. C9 r5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
' k* C5 T% o# L6，pip install faster-whisper
& e( w8 {8 s: t9 r----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
* c: a- v! ~6 M! V+ U" ?- v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：

1 {, r+ U* g9 P+ H----------------------------------------
4 B4 h4 C2 I) P" S" }& _% v
from faster_whisper import WhisperModel
4 z, I$ w. ^# d; ^$ w& A& Q' @3 I
model_size = "small"
+ B# n) G7 r/ H: E) j# J9 T; i% x2 H
model = WhisperModel(model_size, device="cuda", compute_type="int8")
% [1 t8 x/ J7 f) i( V( N
/ B0 l& w; u4 ]1 d1 p* z- e( Ksegments, info = model.transcribe(
9 z3 M( E, u: f+ d/ w/ q    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
3 C. b, t0 @& r& ]$ L) |% a9 p    word_timestamps=True,
! c0 _4 R# t' c7 I& N# r% I1 I    initial_prompt = "Hello, welcome to my lecture.")
$ v$ I& E# d+ `/ ]' W
for segment in segments:
" }9 W5 n  `+ |  H& g  H/ _    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
1 t  V+ F! ]8 I6 Y               
----------------------------------------
2 S; K. o! C! x. l4 b
9 O# e% V# |2 ^+ X8 T1 N代码说明：
, e, B4 |4 j+ M5 v5 n% u" q; q& C1，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。
# Q* O" {+ {7 k& _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。
$ t5 W% T6 Z" W6 R7 }! I8 u3 J4 t2，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。
+ e3 E% I, Z; U/ H' y, g1 W4，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。
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
其中
8 W# U: e' O1 J5 Z+ H) C! o2 ?    word_timestamps=True,
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。
' `$ B% s' H9 k其他参数可参考源文件：
3 ~" S+ l) @; y9 Lhttps://github.com/guillaumekln/ ... isper/transcribe.py
) q! s9 V. f& k' m& \152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

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。
. t% h% L6 X1 ]4 X7，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。
2 V& c  g# h* S% R9 t, G9 r8，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。



) U7 R% h/ _6 g( b! i& m

---

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