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
* |3 h4 V9 I' o% x
1 h& {8 {1 n" I0 B5 `- g8 I7 p& z1 e+ o
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。
" t9 O$ o' H' ?0 J7 p% 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。
1 ~/ Q: L8 `! G, b ]0 I n9 S
----------------------------------------
) d# y y3 V8 `. 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。
! ?, } h {6 Q) s: X5 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。
2 N& a! s/ y; n7 ~/ {
----------------------------------------
5 B; b. N2 r+ f
https://github.com/guillaumekln/faster-whisper
Y7 r* S/ m8 u& T/ [
安装如下：
: b2 Y" f: i- \. Z* @
1, Windows 10
% e- ^0 _5 _5 a& u& w9 _: G. a
2, Python 3.10.11
- V+ e' c! G0 X% K0 d7 E. E" @
3, CUDA 12.1
. }9 L3 ?/ N9 p% H: t" I
4, 在python 3 中安装
4 ]0 U. J+ g( ^* G
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
6 @2 g+ K8 Y& o4 o) ^
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。
( O" B$ W# [ X% D% C9 z" y
5，pip install -U openai-whisper
N5 v0 Y9 b# z" s
这是向whisper 致敬，可以不装
" ~3 H h3 J6 ~1 u/ |% ]
6，pip install faster-whisper
+ e, ?$ |' J6 t
----------------------------------------
9 L0 i& t2 v( T+ ~4 `
whisper 我用的命令行，faster-whisper 我用的是python。
4 g3 A$ l* x( y3 ^. m" S- f' o2 B
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：
5 z5 e. [0 D& ^5 f
2 L+ o" {% k4 N2 z/ Y* y
----------------------------------------
3 R( F! c3 Z5 o9 y7 J
1 V+ X) h! l, L! G0 ?
from faster_whisper import WhisperModel
" E+ K7 k( J0 ?* l& b. U1 K
* i, p3 B2 v$ B6 W4 d M
model_size = "small"
0 m6 U/ Y, L: d- M1 e0 n( R: x& l
) L: a. S/ g! P% i8 E& f
model = WhisperModel(model_size, device="cuda", compute_type="int8")
* L* ^$ f+ M% o, J1 i$ Z; v4 C
; V3 w- s# L/ ]7 _ V6 u# `6 C
segments, info = model.transcribe(
/ k, [6 a( ~/ r! h1 G+ ]0 h% P
sourceFileName,
) q3 d, T1 V% s' W$ B
beam_size=5,
+ i1 B: d, x. @ |) v
language="en",
U, M& }1 p, s, j- B: ]
task="transcribe",
}' {9 f/ Q0 T. z: ?5 }
word_timestamps=True,
6 L" v5 A& e+ D j; A4 J! S& S
initial_prompt = "Hello, welcome to my lecture.")
( ^( s' ?$ P* W- o8 n
5 k4 z' ]+ b8 p' R7 ?% d& D
for segment in segments:
8 k1 X% p6 J9 X5 _0 ]
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
5 u& s( T$ R( ~2 x( I
. H0 b- Q# K, x; G
for word in segment.words:
5 T1 }- [# p X
+ C% e. N9 Z2 |+ N' Z% g3 }/ W
----------------------------------------
3 G/ t5 H# i2 i! {
+ |' a, h$ |; ? c
代码说明：
5 P4 E# S" L. E# J
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。
6 x7 b* J6 J/ g
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 j8 n. x. F# q9 I+ O/ }
2，segment 本身是很粗糙的，做字幕勉强能用。
5 g. q7 a3 ^/ z- o9 A4 A
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。
( R# i6 f% S& D- x( l# O
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
0 D! ^$ P" L8 y. D' V# {$ T" Z- [* `
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
# G! A1 s, u1 {; \7 \9 g0 L: D
5，model.transcribe 中参数说明：
- R# j5 R2 K: }' }- X' P: e. {# Z
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
% |! m* l" U9 b
其中
2 b" C+ X, I! F# E5 {
word_timestamps=True,
) Z& l1 X$ b: X; z! M5 H& ]( G% ]
保证了你能拿到 word，否则是拿不到的
0 o/ o7 l. z4 z8 c O" M* b
initial_prompt = "Hello, welcome to my lecture.")
0 b' b. F+ d+ m) p
保证能尽可能准确的断句 punctuation，但是不是决定性的。
; ~# g/ |" @5 C2 V0 K* ^
其他参数可参考源文件：
8 B1 V t$ P2 @1 A
https://github.com/guillaumekln/ ... isper/transcribe.py
6 N2 ^9 f( O! K; e" n$ }
152 def transcribe(
& j& X2 B: o: s+ d! e% H6 ?! b' U, M
从源文件你可以看到是支持中文的句号断句的。
7 x5 a9 o, r" [3 V2 \+ k; L7 N8 `
& w% K: @7 n1 o0 c5 |
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。
$ o5 j" @3 A# ~+ Z
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/ k1 e3 U9 e, t
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。
/ a: x) t/ B& o
$ c& e, w5 Q Y# w3 I4 u: Q% {9 L
; P. w6 g& a* P4 U* v6 D4 D' n
+ m; t% y* C: r b! l( v
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