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
& V. Z9 K3 v9 q" ^
! E7 K8 \* }! o( G9 B* V
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。
/ F" O0 H- _9 g1 Y) R' |* a0 v" h
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。
8 A, I5 `) i' V2 I7 J
----------------------------------------
" C2 M) h9 e( u/ R2 u1 ?
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( p: E; I! l& f0 C
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。
! q( F; ? B6 b( h0 T
----------------------------------------
1 O7 g" z7 e$ ^; W2 d: w+ f/ I+ b
https://github.com/guillaumekln/faster-whisper
) t4 T. P6 w3 G- W
安装如下：
3 H1 {; x! W3 J3 d! x
1, Windows 10
# M7 i( s# F9 Y! Z/ d
2, Python 3.10.11
i# c' m3 g7 l! d! f0 C* X& W
3, CUDA 12.1
5 Z4 J. s# O( Y5 A
4, 在python 3 中安装
9 w7 ^1 x1 d ?7 M/ t |# E) i, C
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
) k9 o4 o- H+ t6 F1 q0 K* d# p
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。
& W8 h* ^( u6 w+ E& i3 ~( \, v% Y
5，pip install -U openai-whisper
. M) J5 S7 C6 `
这是向whisper 致敬，可以不装
4 m, n# a% D1 J4 J6 e1 E
6，pip install faster-whisper
: {" s5 p5 V* r! Q1 l3 T
----------------------------------------
7 U1 S# l# h7 z6 P V
whisper 我用的命令行，faster-whisper 我用的是python。
`6 N9 Z- R* k3 o U& ?, @
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：
( s7 ~9 A9 O- C# ^& o
6 U$ j/ s, B9 ^$ D
----------------------------------------
! x# Y% s$ n' c* P: w0 |. K
8 p. `: Q* |4 h! q4 x- t% L
from faster_whisper import WhisperModel
/ M7 e! G4 z2 F0 s( C5 [ q
1 ?# P2 s! n& ?8 e
model_size = "small"
/ |; x6 ~# i: a
9 o) R7 s6 h; ^4 v
model = WhisperModel(model_size, device="cuda", compute_type="int8")
* _3 @/ x! ]& O' ^& G8 J
: d% o- l4 |/ C7 r
segments, info = model.transcribe(
, H* B5 e7 s9 C" f! e; _" i
sourceFileName,
: H7 U3 H( N8 z D9 X
beam_size=5,
8 e$ ]1 g; u- P% A; x: E- y% a
language="en",
; x8 F! b, m* B4 N* @
task="transcribe",
8 q% W- ~) v9 a/ g( Q6 M0 X5 A8 t2 \
word_timestamps=True,
" Y# b4 a+ r; `
initial_prompt = "Hello, welcome to my lecture.")
, O" P9 z$ e h0 y+ i+ O, I$ T: P
' I0 b# q) h, c9 n9 a
for segment in segments:
7 ], L6 u7 R" Q6 M. [! [
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
! ^' X$ E2 @+ C, h! C4 g1 X, b
8 F; h1 N% R2 Q# }0 u1 y3 t
for word in segment.words:
8 D( N* }, {/ ?
% m; X& S' I! E* ^) c/ m
----------------------------------------
7 J" R1 I' Y3 r' a: R
; @) y0 f/ N# u8 c- l
代码说明：
0 P; S3 Z6 b3 i# L( N; v! F5 ]
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。
% G6 r- ^6 o) C- W, X
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。
4 H( D$ g7 X' S8 i4 a" j
2，segment 本身是很粗糙的，做字幕勉强能用。
8 ]# X; V7 j, o, 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。
0 s% C, U5 G- e6 x% i
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
2 K6 L5 p7 t' s" 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。
8 N& A6 X+ L: g# N
5，model.transcribe 中参数说明：
# l5 {1 \ z* }0 W: Q
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
* N) M3 d' \' Z: w
其中
5 y+ I Z5 s6 a* Y
word_timestamps=True,
+ ~, P% d/ }+ u7 S* |( B+ o6 ~9 f
保证了你能拿到 word，否则是拿不到的
6 I9 w; Y% o, e0 V+ E. b4 }+ b2 [, q
initial_prompt = "Hello, welcome to my lecture.")
' T1 ?( n& U& c$ n1 x, V. r
保证能尽可能准确的断句 punctuation，但是不是决定性的。
* z/ a) \0 c6 Y% D& r3 l
其他参数可参考源文件：
# {4 B8 n- N! L% D
https://github.com/guillaumekln/ ... isper/transcribe.py
2 y9 t0 b* b f2 O* J
152 def transcribe(
. e+ u% a# P+ H
从源文件你可以看到是支持中文的句号断句的。
( D! w& S, j" D0 ~
7 [' | R% A/ `% e1 E) z+ D
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( c' |0 D6 [) W! V
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。
P/ k* y" H/ p7 n( x5 m
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。
3 c3 j4 h o/ w: m8 h3 X4 F
8 Y" p% C0 d% j3 H
; O$ [) A" N4 t
! S% `& Y' F% Q7 q9 [# S5 s
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