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
# t. N4 L/ B1 v _& k+ x
/ c5 O0 |! v9 o R8 y- v" S
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。
8 p% Y. y& C/ r: z5 m" Y; j
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。
# w7 j. O( f( O) e8 Q$ d1 \
----------------------------------------
5 g! j1 ~! z) R! _! G! r f# \2 S/ ^
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。
& ~4 G) M5 v; E3 X$ |' X
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。
5 `) d5 D2 d. N ]0 Y! @
----------------------------------------
5 s3 Z6 W+ n% P0 W% {5 |
https://github.com/guillaumekln/faster-whisper
& y, B* k7 _/ W/ Z/ n
安装如下：
4 H" ~& L: I) k0 \
1, Windows 10
* [1 ?4 v" R) J+ W% p5 P9 \# f
2, Python 3.10.11
% I$ T1 d' V* O4 L' m! Q
3, CUDA 12.1
$ Q1 _' U5 k0 T$ F7 m4 x4 s: ^
4, 在python 3 中安装
- x2 G, H( B0 Y+ b+ u; T
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
! J( X4 ~2 ]; I \, f+ Q
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 ]4 I' `3 z, r+ \7 ~4 g% N
5，pip install -U openai-whisper
4 B# z t+ E+ y( d5 `
这是向whisper 致敬，可以不装
; i+ _4 K+ }+ R4 |' T& L/ O
6，pip install faster-whisper
" U+ d4 \ B4 Y
----------------------------------------
) Q, w6 j( w3 `- G! @# d
whisper 我用的命令行，faster-whisper 我用的是python。
/ Q' m3 U+ [# I2 w# A% P
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：
; S! i% w$ L4 w/ V% S+ ]' D/ a# H8 Z
7 `- S) W9 o" g, \# Q
----------------------------------------
. C% t7 r0 Q* Y2 b7 m
+ e( b* n% ^- W( e M; S( W) _
from faster_whisper import WhisperModel
: ?( y/ q' L" J; E
' \+ G4 c& L' p5 w+ `
model_size = "small"
/ u6 G4 ]6 [" c& H9 U7 j
, q1 k# Y5 `4 @" _
model = WhisperModel(model_size, device="cuda", compute_type="int8")
0 c# z- l- |. m* d. d1 O n/ A
( t2 f; r1 s9 {) p6 D/ L( a, x
segments, info = model.transcribe(
: ]" B2 p, X# D# u- H+ F) k+ {; g
sourceFileName,
% B# L; r. \. E" r( |
beam_size=5,
7 ~. {! P3 T( D8 Q; Z/ ^: `$ r
language="en",
0 A4 {- k/ b( ]6 I# D( f
task="transcribe",
! u5 w) Q z5 n
word_timestamps=True,
- h4 G2 V) |2 M- _9 R$ }. l
initial_prompt = "Hello, welcome to my lecture.")
0 K/ ?' m6 N0 o6 h
% ]1 w! S% J" m m# n0 t w
for segment in segments:
$ V( u" r6 h2 [( x
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 g9 u% c3 Y }6 J
$ e: K% |6 h& q/ k J0 J
for word in segment.words:
- U9 v* R9 T+ _9 C. `4 [
: C7 z7 b, E! q! n8 o2 W; p
----------------------------------------
2 O8 A) S/ ~8 k3 p$ t* x
% @+ ^3 k3 Z r0 b/ S
代码说明：
5 W( y0 o1 B# Y
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。
. r7 @# s4 E8 r7 Z7 J( J
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。
! N6 a: y2 F" l4 R5 o) f# h" E
2，segment 本身是很粗糙的，做字幕勉强能用。
; A9 z7 _0 l3 q+ i* w0 x/ }
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。
$ [5 y9 H/ F! u! x. w
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
- s/ d+ [8 N3 r( N: Z* F4 J# i# W
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
& P+ }2 V# p, {
5，model.transcribe 中参数说明：
2 [" I' u& ~4 \9 T: o
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
v. N* U7 d$ D% ^2 G
其中
" G) {3 x4 O5 ?6 h
word_timestamps=True,
/ L1 V+ u0 G! n/ U
保证了你能拿到 word，否则是拿不到的
% x/ S/ ]. X2 b$ n4 [* Z
initial_prompt = "Hello, welcome to my lecture.")
! @: U9 p# D) y+ D' N
保证能尽可能准确的断句 punctuation，但是不是决定性的。
- I8 q4 v" P: j/ ~ R) Y! ~/ }
其他参数可参考源文件：
2 s! P/ E' Q0 x# H' x* M
https://github.com/guillaumekln/ ... isper/transcribe.py
3 j( h- S! f. R5 H" }( w
152 def transcribe(
/ X7 ?. H$ z- _' B$ L& _9 @# D8 `9 C
从源文件你可以看到是支持中文的句号断句的。
/ j, x, z* U* F( q; R
6 K q( @6 v% `+ `
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。
4 f' q1 e5 Q2 P6 b8 v7 r9 N
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。
2 p5 K' z+ F3 h9 z/ L4 _' z* t& z& _
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。
' r( [, n4 R0 B& v5 L7 a: k
( B0 i( ?* @* |+ D
3 b, v& M: U( a: ?" {0 J- |
& n; n' \' |( s; g; ^
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