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
/ A+ V* ^( g0 W( [0 p3 J$ }
1 F; i; r }' X3 s ^
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。
+ X+ C ~+ Y% f/ m% i
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。
4 D6 R$ `6 z) Z. c& h f3 _
----------------------------------------
% F, f2 n7 O9 f& N' F
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。
7 o) X# b r* O% w2 v6 l
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。
! F2 ^: z9 X) w/ A. ?; E9 H2 e" W
----------------------------------------
5 J0 |, j# p3 X+ H
https://github.com/guillaumekln/faster-whisper
- i, s8 | b5 P7 e( u+ ?. ^
安装如下：
8 P$ x1 x$ P0 [1 d4 f, ?
1, Windows 10
- R# p4 ?- K/ w8 D) T
2, Python 3.10.11
1 k8 `% F$ A6 a1 @- \* R5 f
3, CUDA 12.1
0 Q$ I( L; [% o5 `6 R& T
4, 在python 3 中安装
2 c) {4 ]' u' J$ D
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
0 D) e2 V$ |6 S, ] R& a
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。
5 w4 w- o- Z& z5 m! [
5，pip install -U openai-whisper
( a ?& C4 H4 Q
这是向whisper 致敬，可以不装
6 U( |4 N/ ^3 V' X! `! Z2 n# n
6，pip install faster-whisper
4 n. S% }4 \0 b4 t
----------------------------------------
: W. A/ F8 v! L
whisper 我用的命令行，faster-whisper 我用的是python。
6 } b/ L7 ?( O; J; 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：
4 P' v5 f n$ t% `
. r; q7 L0 L) p9 a
----------------------------------------
. o# d0 m: B& n; e! H
% Q& o- F. {+ n4 P& D! |* I. Y% @
from faster_whisper import WhisperModel
& `) U& w5 v7 }6 t
5 m( Q3 W& q4 H' r; s9 A
model_size = "small"
2 _8 D# N& J( ?* U- Y- k4 T
) N" U, j2 P' w) y
model = WhisperModel(model_size, device="cuda", compute_type="int8")
" z* @% ]% K6 `9 w" X& a
' I* d, n3 ?. ^: M4 ]- ]
segments, info = model.transcribe(
5 \% ~+ F" f% M1 ?- E
sourceFileName,
3 Z+ L: Z! o4 e) u! v
beam_size=5,
- k& o$ P* F; T% J; J: D# @
language="en",
0 r1 y2 b4 `7 u
task="transcribe",
& S' {$ K+ v4 ~" b2 k7 P
word_timestamps=True,
1 X5 s/ N/ s4 v( S# Y
initial_prompt = "Hello, welcome to my lecture.")
! U" n3 T0 A) |& f- D! e7 f
" Y( {) H' R! B0 o' r" x
for segment in segments:
|# R, A1 n9 T: `7 J; v
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
9 g" F. m0 e7 |9 B
+ ~% N: w& P8 O' O0 O/ I% B
for word in segment.words:
& I( J: r% f& z5 I# l8 R
% q1 s! K' ]0 ?" T
----------------------------------------
Y) G4 {" G1 G& _" `3 {, k, W
% k% p5 W8 O1 Z1 r' z; I" d
代码说明：
. G1 w7 F9 u$ c, e! H! P, L* Q
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。
8 v: W8 O/ z3 c6 j/ H2 `0 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。
9 H; ?9 @2 m6 O$ J$ W) _4 u
2，segment 本身是很粗糙的，做字幕勉强能用。
8 I7 C0 W& I5 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。
3 B# v( @3 j, Q% ^7 s8 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
2 A% R! c( N0 t1 R3 T" ? {; Y
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
0 j+ {! ^- z( z; w
5，model.transcribe 中参数说明：
1 J4 a# q3 i6 A; d6 W4 m) f5 y
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
E) b6 z# [7 ]4 ~1 t! q
其中
, j( @7 i* w1 |; a6 a: `
word_timestamps=True,
6 Y/ z$ H3 r! {+ s% r
保证了你能拿到 word，否则是拿不到的
; G& }0 E. [8 T( p. V( r0 ~$ \+ [
initial_prompt = "Hello, welcome to my lecture.")
3 O4 g. k5 A3 p* G
保证能尽可能准确的断句 punctuation，但是不是决定性的。
% Q7 Q8 ^- Q. G( ]- ^1 a' ^$ @
其他参数可参考源文件：
n3 W5 Z0 w5 @/ U+ t3 D3 J. @
https://github.com/guillaumekln/ ... isper/transcribe.py
5 m$ d W' Z o$ R% G
152 def transcribe(
# o; ]0 X) l2 P3 T$ Q. s& f: ~
从源文件你可以看到是支持中文的句号断句的。
" Q/ c7 H, h' m: W0 A
5 `* ^) h/ w/ c y- X) Q5 K, `
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。
* v! V' G: ]# C" w) X. j* k$ 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。
! {5 P) r4 c9 U( f. V) ~$ l
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。
% w+ ^0 U; h1 K# J. E% u; J
5 d& z- j- }1 p/ x, F9 D! `8 \! W/ ?
, h6 o: k) l! F* P( f
' Q2 L- F0 W0 z% i" B
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://129.226.69.186/bbs/)
Powered by Discuz! X3.2