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
4 J1 H% Z7 x6 n% M/ J: b9 l4 n
% c" V* \- h* k. A) F( t5 E
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。
- `0 Q$ i3 w8 K- X2 G' 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。
; a3 d I9 b6 |! w
----------------------------------------
/ Q( ^% N4 i# m6 c9 P# \5 ], Y
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。
' D4 g' l) \( c: D( N* R# Y
在六年前主力显卡3G内存上，model small，能跑到12倍速，这个是相当满意了。
4 | _: k" |5 E1 w' u3 j( J% F
----------------------------------------
1 N: u1 K( u7 V0 S
https://github.com/guillaumekln/faster-whisper
n# {! S7 L6 e$ `: w) Y7 X' P
安装如下：
+ d( _0 c6 T! @5 C
1, Windows 10
4 |, s2 X# P. l* k+ [& w6 U
2, Python 3.10.11
; m8 T. t' F5 F+ X
3, CUDA 12.1
' m3 N. n4 D A% g% Z2 n2 Z
4, 在python 3 中安装
% i9 Z- }6 |0 C! ]% @
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
2 J$ y8 H& ?9 p( L: b
这一步最后一个安装文件 cu117-cp310-cp310-win_amd64.whl 大小2343.6 MB，如果没显示，你得检查一下你的环境。
2 w1 J1 a" `3 T" ]
5，pip install -U openai-whisper
( W7 R2 P/ L' b0 B. c
这是向whisper 致敬，可以不装
/ Y4 o$ ?1 O5 d" ]3 V, e- n& u, W* @" s
6，pip install faster-whisper
/ `, {. Q0 h' g. E- x2 g- f
----------------------------------------
1 p0 |( _* K$ ` |6 B9 I
whisper 我用的命令行，faster-whisper 我用的是python。
. ]" {" \) s( ?
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：
/ g! U* k/ `$ n/ L! N5 W9 ?
. [& b# u" {; H0 I9 y* P- q
----------------------------------------
# `6 M/ ^4 N, U7 g1 }
6 _1 e) ~8 Z) E$ S
from faster_whisper import WhisperModel
1 N$ c4 u% z( n, Z; o! U1 y
. n: @! f' I5 V) J& v) W7 I2 x
model_size = "small"
5 E& y2 ^ v4 k( Z: O
1 W4 h% B/ y" a# Y
model = WhisperModel(model_size, device="cuda", compute_type="int8")
4 r9 d# [" h$ X( e2 J% F O
) F1 w( W6 ^ q8 M, n8 s
segments, info = model.transcribe(
; f4 d" A4 \+ t8 w; i5 g! s% V( N
sourceFileName,
. \3 o) y2 U1 x5 J& L& f
beam_size=5,
8 l( r% \8 t' X" b$ j
language="en",
" o. `- U% X! Y* ^8 X( m
task="transcribe",
4 ~1 B7 F0 K6 K& ~7 ?! J
word_timestamps=True,
. K- ?' S2 K1 g! ]/ ^* h
initial_prompt = "Hello, welcome to my lecture.")
4 L2 z0 r0 x4 m1 C4 q
& h& a& i( @% C, P0 z
for segment in segments:
) B( D; I: A$ U
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
; m4 x# c3 b4 Q0 x
. @( }" l9 [( ]
for word in segment.words:
* {% a6 z, a! X1 r9 z4 i: M+ {
- R+ L* o. C* e. g& ?5 c
----------------------------------------
; g! c& ~ B3 J! m- w- p. a+ D
7 z1 z7 y W5 Z8 p$ k
代码说明：
2 R5 B/ W q% \3 d0 P6 @" o" I
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。
% {! ]1 X& i- V" i
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。
. s( D2 |3 r9 }$ @
2，segment 本身是很粗糙的，做字幕勉强能用。
# [+ S/ Z/ d: Y
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。
* d& i% R% t: b j& c
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
( X2 o3 W8 S" r7 H" h3 o
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 C' C8 f( f" H- A5 y; e: L/ ?
5，model.transcribe 中参数说明：
! K8 T: u9 y! c( L8 e3 `# _
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
?; \# ]8 M1 a0 M
其中
$ {. |% z' q) g8 i. t
word_timestamps=True,
% _) a( N- F& H2 u, I O- I
保证了你能拿到 word，否则是拿不到的
5 h5 b1 U3 P; a
initial_prompt = "Hello, welcome to my lecture.")
3 F; }' H4 I p
保证能尽可能准确的断句 punctuation，但是不是决定性的。
U v% A9 x# v$ I% \1 t* C) F* Q
其他参数可参考源文件：
* O7 K6 L6 }1 r
https://github.com/guillaumekln/ ... isper/transcribe.py
5 j$ ~' _9 G) W( M C' f
152 def transcribe(
* x( Z `# H' n- A1 y; B! g
从源文件你可以看到是支持中文的句号断句的。
6 J+ @$ j1 p/ v/ w1 t
2 L; d; Z1 R# S) Y5 F
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。
" W* L5 I- ~$ ^) {6 }! R+ t6 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。
2 ?* k" X$ ?3 c% p6 V P3 C. a
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。
" s2 B H3 h: Q
8 h0 Q4 x! z h4 ]3 |8 l( G
5 G/ d8 [3 V) o4 h: |
! e$ j4 ?0 i; g; U, O' L
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