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
& Z9 J+ l% d# ^
$ n* B* H+ p/ L' M
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。
, A+ T4 M& X- B, c
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。
" R5 z* h G1 H
----------------------------------------
1 B2 p4 R B2 ?: |
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。
& G; p* x% m+ t. M& T# Y3 s8 B
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 a( [/ V' @! e3 |$ v' ~! [- s
----------------------------------------
6 g3 x" \& X, i
https://github.com/guillaumekln/faster-whisper
9 |# k: G7 M/ M
安装如下：
* K s$ ?+ D3 U. q6 X; g: Y1 @
1, Windows 10
( T, r7 f) z8 {/ R# j: |2 x9 s. v
2, Python 3.10.11
" ^, i: V) R/ t& { X$ Q6 [/ ]
3, CUDA 12.1
9 [1 U% M3 z1 K! \
4, 在python 3 中安装
. z4 L% v+ ^8 l8 s H# e- x6 J
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
7 q" \2 G$ r, K- d! m1 F: n
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。
8 q1 v6 @, i4 w
5，pip install -U openai-whisper
8 w: J: t, h7 o v% `2 ?
这是向whisper 致敬，可以不装
# {& V! O; L. B, q9 P
6，pip install faster-whisper
9 _& _3 ?1 C% n9 t& J9 w- y
----------------------------------------
4 E' Q' J8 d+ C2 a: J
whisper 我用的命令行，faster-whisper 我用的是python。
+ l% y# _, ]- r. ]; G1 v
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：
3 E+ Y( y; V. J2 w
$ w; [% C. s/ R4 p* |$ T
----------------------------------------
! ~9 s8 `8 E" h3 ~' H
8 y* B5 P; b4 t0 ]. s8 V
from faster_whisper import WhisperModel
1 E( ]% I: e) C6 @
9 K( u1 {4 T& u! K9 K5 \& C
model_size = "small"
; y! X" ?4 A8 a
) |( H9 m) h$ z
model = WhisperModel(model_size, device="cuda", compute_type="int8")
" g: X" J u1 S/ H2 ~
: r$ T7 [2 Y. Q3 q4 f# n U3 ^4 M
segments, info = model.transcribe(
$ k9 J4 H5 O) A; d4 b/ ?
sourceFileName,
9 o* U1 E0 W! s$ o( h
beam_size=5,
+ g: w+ D; I. V' N3 ^! h& F5 N
language="en",
8 r f% l: }& {9 P/ c
task="transcribe",
3 ] X$ r+ A9 Q9 e. O: A
word_timestamps=True,
2 ]6 h0 ]" X0 }- O' {7 o/ z, \/ V
initial_prompt = "Hello, welcome to my lecture.")
\/ N, m- I$ i- W
$ _: L0 G5 V" }# W4 U
for segment in segments:
9 A1 ]) b' U( D% `
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
d% K, j# o, d7 S! b l
. t: `7 O* X# d4 w( s: d
for word in segment.words:
% t0 l f/ q' X# g w$ O; Q" ]
7 _ H4 T- C h6 e0 P
----------------------------------------
9 f1 C% {, S+ I
$ S# s: k* i9 ~/ J5 ?+ ^* _
代码说明：
6 N& T/ ~8 A0 C
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。
0 h; g- E: o9 z+ Q
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。
6 b6 D$ U6 w# P9 Y
2，segment 本身是很粗糙的，做字幕勉强能用。
# s8 z6 e' x0 l6 z1 s( o
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! e' r3 f( A% E
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
; k( }% |4 \1 |$ D# w
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
* r) h5 q* v4 x( w5 ~
5，model.transcribe 中参数说明：
! N0 N1 _3 u) ] m, U
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
7 Q% g7 ~6 p2 B
其中
$ k4 k: Z1 J0 d: w7 `" H
word_timestamps=True,
/ n, O- [& [3 i* N6 b& A3 b
保证了你能拿到 word，否则是拿不到的
+ }; r D( g. n0 a
initial_prompt = "Hello, welcome to my lecture.")
. Z$ T' L3 A% I
保证能尽可能准确的断句 punctuation，但是不是决定性的。
8 {+ B. i2 n. J4 M% L5 |! g0 w2 t
其他参数可参考源文件：
4 i8 m6 T. d( l; |
https://github.com/guillaumekln/ ... isper/transcribe.py
+ a, s$ j4 x4 N6 _) [( [' |
152 def transcribe(
+ g" F0 o. Q8 X4 |- D! K4 J
从源文件你可以看到是支持中文的句号断句的。
/ y3 m3 s$ ^$ f# b
; I3 y9 @" ^6 B
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/ z# N, z7 s! E2 m8 }: `
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。
: i1 Y9 S9 }7 [
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。
. t0 H8 Q# g& h$ A
8 K0 `+ D- o2 i% f
# ]0 G" `. ^5 s- k! H
- z: U5 g! C" v4 _* R. |9 i9 E9 U
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