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
* a7 w, r+ h' p- X! V' f7 \" P& M$ W
& \( s. {8 _$ H4 e. D! Q
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。
- e" b4 k# T' Y! b
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。
# J- h) O9 ~3 K8 o: a
----------------------------------------
5 T/ x4 j+ k9 o3 `/ M& p
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。
" X# x9 p9 K/ i) h3 w5 Z: 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。
& }+ b" G2 J. y* g( ]$ A8 g6 ]
----------------------------------------
, D2 H7 V. |7 C4 J4 f
https://github.com/guillaumekln/faster-whisper
. M; ^7 U# B! x% X3 o
安装如下：
1 H4 z8 h7 g6 \5 e/ B
1, Windows 10
4 ]. S, \! b1 u {4 J
2, Python 3.10.11
4 I; [3 r" O, T
3, CUDA 12.1
% x( v+ V. \5 x. l0 Z
4, 在python 3 中安装
6 @5 k& G! s$ X$ W% a. m) w1 T
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
: R9 b* Q3 H, N; S& d* ]$ t( 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。
% J S# s+ C9 K0 `: l4 m
5，pip install -U openai-whisper
6 e; c- M% j X( {
这是向whisper 致敬，可以不装
, g* B' n+ r8 S; S
6，pip install faster-whisper
n9 a$ ]' P" R- Q+ M/ r
----------------------------------------
) ]+ q+ f1 Y- }# ]) Q( `
whisper 我用的命令行，faster-whisper 我用的是python。
$ _! O: Y# ~# Z* V: k
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：
! Z, }( _2 V% H( ^
5 a/ y0 ]+ D+ B* J; J& e
----------------------------------------
4 l" T! h+ }8 ~2 n
# h2 {3 C n, S& e7 F- D/ G
from faster_whisper import WhisperModel
" e) C Z1 v, \% a! p! ~/ j; ^$ e
; r: J- [3 N6 }3 |; k) F; E( \
model_size = "small"
8 ]" ^5 u& p1 k" p5 Z0 [9 n: U6 R2 ^
5 q' n4 I+ {5 m' `% L2 G
model = WhisperModel(model_size, device="cuda", compute_type="int8")
/ g4 @/ Y6 m8 `! e8 m. @; t
8 W/ F* V9 `4 m- v5 H$ J
segments, info = model.transcribe(
+ D) J' ?! {( t9 f- b4 P6 A9 f
sourceFileName,
* Z$ W+ Q1 N* H1 P- d
beam_size=5,
" q" P! i" C( M9 x* m$ b
language="en",
0 j6 [7 F, G# v8 H2 ]- K
task="transcribe",
$ r+ j ?* Z* L. U( _
word_timestamps=True,
4 `( ]8 b/ a1 V
initial_prompt = "Hello, welcome to my lecture.")
- ?5 r5 U3 J2 G3 K7 o3 @" R
/ y4 F; V) S: M$ y% O2 Y1 g
for segment in segments:
4 D" P1 c" p4 s' t' p
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
$ }6 `+ y. k9 \7 Z7 N$ I
; D* u% E( J6 z D, f: t
for word in segment.words:
( {$ [5 ]0 g: ^. V5 h. `
1 w' Q6 H; f& F \
----------------------------------------
: O0 ]& n# P9 k, M/ G1 T1 z
5 Q0 W8 t4 {, s9 ]5 G
代码说明：
* p# ~+ C. V' }! k) C9 Y# e
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。
: t( n$ v, p" }8 ^6 p# q& Q+ B& A
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。
, R/ o) t( L: E9 Z
2，segment 本身是很粗糙的，做字幕勉强能用。
) X/ n# A& h& c* C* ?7 y3 m- ?. f
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。
6 x- n$ f2 [: v5 @
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
l+ y @- M$ n y# |1 b
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
2 O$ g8 @. v. j5 n8 t( ]1 v" A
5，model.transcribe 中参数说明：
& N# N8 a2 ^3 j+ e T: q2 T
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
: _3 \+ U0 ~0 j1 A& @. E
其中
" {( w7 E* z- E, g
word_timestamps=True,
* g$ l; L3 ?- |5 b1 u& u1 }
保证了你能拿到 word，否则是拿不到的
7 x: d6 X7 V7 `; [
initial_prompt = "Hello, welcome to my lecture.")
6 }' h; }. {/ Y% q# @( S
保证能尽可能准确的断句 punctuation，但是不是决定性的。
. n* S" h( X; I4 Y+ s7 B$ q
其他参数可参考源文件：
1 }; R& _6 A4 l* q/ k% k' C
https://github.com/guillaumekln/ ... isper/transcribe.py
1 u% ]9 M7 S+ w! a# b( |* j# z
152 def transcribe(
0 }9 W. m' r( K6 o( P. c" w
从源文件你可以看到是支持中文的句号断句的。
, s! j' w9 t# ~/ U
0 J+ {+ N0 Z- N f& @# Y( {
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。
! F! s b t( d5 o) l+ h, v% p
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 y+ c: K3 o5 p( S' F0 E
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。
. } ]) ^ S% C
- x( B- D1 Z& L$ X. k
) X8 l0 Q6 ^/ o" ?) w
, y4 `, g$ S2 s; U; r
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