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

/ q3 P0 N4 S$ p8 x
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。
----------------------------------------
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。
----------------------------------------
: b% K7 T. l3 J' V4 Q$ \& ?* |https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
0 E4 O; J3 w! _  q1 l4 L) B4, 在python 3 中安装
+ p* ?0 `4 W& R. ~pip 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。
5，pip install -U openai-whisper
# J# K, W' N! J- d, f3 w# u这是向whisper 致敬，可以不装
6，pip install faster-whisper
* ^7 ]' M" m# O, T----------------------------------------
! t, @% q  J2 k# Q8 iwhisper 我用的命令行，faster-whisper 我用的是python。
* n9 O( X2 b) m5 n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：
# C( B6 E4 c/ `3 p! B
  m' _, Z2 V) l% ^# @2 W4 ~----------------------------------------
/ Z, t9 n$ a7 N) P6 Y3 E
from faster_whisper import WhisperModel

* U3 X/ s2 c" o0 H2 l* G! [. l2 omodel_size = "small"
2 U  _6 B  ?7 y; N, e* c
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
. C  J$ z; \% r7 C    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
) @* E' o! L* P6 T    initial_prompt = "Hello, welcome to my lecture.")
3 S  v) x1 U+ ]1 x% F
4 Q* ^6 k/ S. c  S& Qfor segment in segments:
2 f6 Q* y5 v9 R& G6 ^    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

. L6 d$ W: x: w( Q3 V        for word in segment.words:
               
----------------------------------------

# c  v# r8 v4 I. `5 ?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。
8 `& w8 N1 @* X; ]3 b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。
* ]+ P9 G* }! d0 Q5 U2，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。
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
7 n  k3 Y- B* {& r$ m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 \% d* ]1 L- a* c0 ]! \    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
9 Y8 a1 H. ?1 C0 V( _    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。
* {% d4 g- M2 t5 S5 d) V- c其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
, M/ c3 l0 S9 J152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
, n7 y2 R4 ?% X1 C4 w. c' `2 _
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。
. e) }& b; p% Q2 @2 G$ Z7，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。

4 R7 h- B9 y% D' X
3 y4 v+ |0 V' E7 q$ x

---

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