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


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。
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。
0 |. q. e1 k0 d----------------------------------------
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。
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。
' g- e# l  I( C& M----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
: h! h2 ~6 Y# @6 X( _1, Windows 10
# c& i+ b* G' `( L. j3 w* v2, Python 3.10.11
3, CUDA 12.1
9 ]" L$ G7 z) a1 T# O4, 在python 3 中安装
) U5 k/ d2 a9 v  W/ z4 Lpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
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 v& W6 `$ _. {' R, T5，pip install -U openai-whisper
& T; C6 o/ |. O& {0 t& X3 @" z这是向whisper 致敬，可以不装
6，pip install faster-whisper
3 o2 H; A$ @/ y# n9 h. D4 q----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
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：
. F* O5 e+ b) O/ v$ `3 {  g9 ~& Q
----------------------------------------

0 \; o7 Q6 v8 v$ `- dfrom faster_whisper import WhisperModel

model_size = "small"
/ J2 u, L7 E1 o! y
) ~! N& r7 z# O! Z7 n3 I7 F0 xmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
$ y  D$ R, ^" D. E" K( c
segments, info = model.transcribe(
    sourceFileName,
+ y/ U- w. b" G/ E  A7 n4 s    beam_size=5,
    language="en",
: A/ Q$ I0 U0 Y6 j+ J6 L& R1 D    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

. n% k9 r8 n/ z2 P( {: x8 Tfor segment in segments:
6 h9 ^+ T% m+ J( v) e    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
0 Y, x3 |( ]3 w; M- e. p+ W
+ n1 F' z- C8 D% q5 k. N        for word in segment.words:
               
----------------------------------------
* Z# C/ x+ W) }/ e  I" A
代码说明：
9 X, `" h0 T  w& h9 C1 S% D1，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。
9 u5 _' F, |% Q1 l7 m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。
2，segment 本身是很粗糙的，做字幕勉强能用。
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。
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
4 P' P1 }" D/ z- ?3 z2 E* S比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
  j0 o& p* r/ r$ l4 V5，model.transcribe 中参数说明：
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
其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
6 w% ]0 h0 ?# J保证能尽可能准确的断句 punctuation，但是不是决定性的。
8 B; o0 s2 }, v其他参数可参考源文件：
4 z# i) c$ ?. c! ahttps://github.com/guillaumekln/ ... isper/transcribe.py
' j5 U% d* p* f/ @% P; I152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

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。
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。
* D- J7 L) t/ n, h: [; s8，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。
; u0 T" U' @, }% y# v# A$ @
6 E! o3 l! B* }5 y; `
& m0 J& C* d( p$ ~" ?/ V- A+ }- G6 f
2 c( Q& b- t7 ^4 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://129.226.69.186/bbs/)

Powered by Discuz! X3.2