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
" a6 b2 P' U/ S. ~% C8 d$ l
9 y- h+ W7 G; Z( U/ t
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。
5 ~9 q1 Q, ] Y" y0 l
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。
) V2 d- D y* ], _, x
----------------------------------------
9 T& J; j9 X" r# 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。
; v5 e0 b8 w( {0 v1 X, U/ h8 ~/ w
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。
! e+ _ b! V3 A; _& U4 E
----------------------------------------
' D8 W P) m/ X5 F3 A9 {
https://github.com/guillaumekln/faster-whisper
/ ]7 x4 l3 c- W3 c) ^& q
安装如下：
: W8 {2 l5 F3 O* z. F
1, Windows 10
4 r) v t6 ]. M* H C" k# ]6 h9 z
2, Python 3.10.11
0 V, n) K: T! z2 {, s& D# w W
3, CUDA 12.1
6 S$ `* `% U1 N2 ]
4, 在python 3 中安装
: e: |) F% t+ G4 L1 K; s9 U# R9 z
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
: c8 g$ q; C+ \; F
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 q- s, B5 b, ^
5，pip install -U openai-whisper
9 h! o3 n3 g. p" X% r* P$ _
这是向whisper 致敬，可以不装
. d& \2 f$ X, c3 @) q
6，pip install faster-whisper
/ ]- T7 X) D8 R" n$ F. P' q
----------------------------------------
Z, q3 [" ]9 b# ~1 X
whisper 我用的命令行，faster-whisper 我用的是python。
% }7 w$ f ^! O& ]
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：
6 k+ I% n2 y5 G# j. |
5 d( n8 q0 Z. P0 Y/ V' l7 f
----------------------------------------
# C0 d3 h# {; H1 L3 k1 h
2 o$ S! [4 J6 {/ I; a6 j0 l' L
from faster_whisper import WhisperModel
4 ]) b# r/ w1 o: t- u, ]3 Z6 e7 F `
" w5 {& O* O6 O3 W) m8 G& _
model_size = "small"
4 S0 J* i& v1 ^2 W, t- L$ s
2 x" \7 E2 Z8 D, a ~
model = WhisperModel(model_size, device="cuda", compute_type="int8")
+ q, H5 d3 G% |0 Z; ?, W6 B
6 ^( ~: X, Z2 Q
segments, info = model.transcribe(
5 ~$ N( X, `! z* H6 X! o
sourceFileName,
3 V3 W; U# ~+ D% p. g& T" P
beam_size=5,
~, W6 Y( a0 F- D' C
language="en",
2 n6 n0 ?, u* T; m, V+ T8 m) x
task="transcribe",
+ U$ V3 }: D h G& U5 s( j: s
word_timestamps=True,
' r9 V2 ]* o9 X$ @$ y+ f7 A/ h
initial_prompt = "Hello, welcome to my lecture.")
/ f; p3 z1 L9 k$ I
1 e- U, r' O' K/ {
for segment in segments:
9 ^& U6 X- V2 k8 C) X c- @7 m
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
* h) D8 ?" E) c/ Q
8 p6 j4 j5 x5 @. X) H3 ?
for word in segment.words:
! v, p- p1 W, U: \+ b
8 Q. y9 |8 ]5 h5 J- x
----------------------------------------
, v( q1 O4 ? }8 V8 L7 ^+ |5 K
6 P, ?6 `' c6 A4 A
代码说明：
! O% k. J7 J( A( g% w
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。
7 @9 E6 _" T: _$ a$ p
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。
& ~" L/ p/ A9 k: X' q4 X. D
2，segment 本身是很粗糙的，做字幕勉强能用。
* M0 ?7 X. L+ p$ S! j- `
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。
n! Y0 z; P$ I1 ^
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
! w5 e" W. _- Q
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
+ J2 c @" r: ?
5，model.transcribe 中参数说明：
% Q; S9 y5 J. J! 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
# `4 e! L6 B6 h; t
其中
% i0 S& Y6 N0 r. t
word_timestamps=True,
7 g8 a7 A. B- ~! R% }6 x. e
保证了你能拿到 word，否则是拿不到的
' e2 I& b: v, f2 T2 G* q" u1 t
initial_prompt = "Hello, welcome to my lecture.")
% I( I0 d1 Z# |; y+ g
保证能尽可能准确的断句 punctuation，但是不是决定性的。
: [0 f; Y4 s/ p* l8 h
其他参数可参考源文件：
0 A# Q3 \2 }4 v C! `' s
https://github.com/guillaumekln/ ... isper/transcribe.py
7 e. ~. ~+ x0 r
152 def transcribe(
7 p; L5 ]) f J: g" W6 v: H
从源文件你可以看到是支持中文的句号断句的。
Y! c ^ n2 b- W
G! @ G2 o& D4 b. d$ g+ I
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。
# X: e+ f3 C) D% L
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。
4 B( q8 ^2 a2 y( `* v1 `5 ?/ Z7 g
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。
/ f- ~9 A: S4 {" T
) ?- m/ _& Z& O# _; p7 T
! P$ P& z8 n" s6 D4 v/ V7 U
6 c% W& j( M8 S3 k& ?' a1 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