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
( q7 s& _1 K: f. X6 \. F
# V9 k- A2 Z* i8 j: o1 _5 Z
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。
! z1 v, M! |. g% S/ O, A
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。
6 X/ b9 z: N- `3 o0 H/ j
----------------------------------------
5 R& G8 a7 z! ]5 d& N- 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。
) e. s+ j* h& t M
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。
, v% t) t0 C0 j: @1 I
----------------------------------------
* T% a3 s G5 l
https://github.com/guillaumekln/faster-whisper
: S1 E- b* G2 m- O; N
安装如下：
j* `% d. y5 S W$ Z
1, Windows 10
\0 x- x. j6 o6 c i# v5 w) w& o
2, Python 3.10.11
; N$ L7 [- r$ W! p
3, CUDA 12.1
& w, H3 i, Y5 D+ d9 f9 B
4, 在python 3 中安装
! U7 X+ y! E0 A$ o2 ?: k
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
% |+ _; F/ H; r s; E1 ]% y
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。
- W* Y" H q- W5 _" n/ }3 M
5，pip install -U openai-whisper
9 ]: @9 {' E& q: L/ m1 \, [8 l
这是向whisper 致敬，可以不装
; ^! c/ r0 x0 e8 g
6，pip install faster-whisper
; O' P' {/ b/ c7 K+ T% _9 Z
----------------------------------------
! g" }, m% U9 S
whisper 我用的命令行，faster-whisper 我用的是python。
2 r2 N' @' v6 W
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：
Y4 t/ L5 A, w m! b, \+ e; U
! t2 X' Q8 n U4 z3 G* S
----------------------------------------
3 p) a; ]; A; @6 t" M
+ Q# u3 L# G6 W/ h. E
from faster_whisper import WhisperModel
, g( T0 x( H }, N: t5 w( F5 }
) g. e# R) n3 I! S) B( R
model_size = "small"
6 F7 B1 j) e5 k; |; n6 Q! F/ H
8 @, `+ k) ?5 r; ~7 D4 U. k2 W
model = WhisperModel(model_size, device="cuda", compute_type="int8")
8 @3 \1 H+ |0 W, j6 t, g
. j3 T1 t4 H8 g
segments, info = model.transcribe(
) s ~" J# j# t6 h, V1 t
sourceFileName,
% C* \' K- _2 C: ]) F& d
beam_size=5,
! Q. X3 m7 m" g' h! P: E* ?$ I ]
language="en",
) `0 @7 a# S; ?2 x* B
task="transcribe",
& U! F9 Z& K" D! G. j
word_timestamps=True,
3 r" k7 O- w, D7 E, v" k
initial_prompt = "Hello, welcome to my lecture.")
' @$ m$ G. t% |5 Y6 B! Q
. e; E+ ]4 x" f0 \$ c
for segment in segments:
& e7 q2 |. U* U9 I- J( i7 t) u
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 n( T% u( c" N) _$ _( x
% z. l+ p6 y' j* w
for word in segment.words:
# g- [4 ` T6 [, C
4 F# C* H. B( {
----------------------------------------
- l) n# p( a: F
8 F2 D: y3 o" [8 P& b
代码说明：
- y3 `4 c6 {! 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。
2 L' g- T" [3 y _* r- ^* h
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。
$ K3 \% u; t2 s$ c
2，segment 本身是很粗糙的，做字幕勉强能用。
- l( U3 T) {0 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。
# N- W& _. S. Y$ G+ r) k6 C3 R* }
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 e9 U/ j* s6 o% ]( 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。
; x- o4 j4 |* y0 ~# B! c: e0 ~
5，model.transcribe 中参数说明：
2 _4 P! j3 _/ ~
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
. W3 ?& _- A- w4 h4 ~! X" g+ }- f
其中
" ~0 C* j7 S- k0 f4 l( `. F
word_timestamps=True,
$ R N+ p p* u" F7 ?
保证了你能拿到 word，否则是拿不到的
" s: C3 P8 ]6 b* s v" M, q" Z5 t
initial_prompt = "Hello, welcome to my lecture.")
# r, x, u6 Y8 w( e$ C$ ?
保证能尽可能准确的断句 punctuation，但是不是决定性的。
& H9 I5 C$ y+ J. ~" f
其他参数可参考源文件：
* @4 U# g9 m6 U8 A# g& P# U
https://github.com/guillaumekln/ ... isper/transcribe.py
) ?) Y& q, a' O! w4 Z* C" e
152 def transcribe(
( r3 c( b9 d9 v/ P4 V7 z
从源文件你可以看到是支持中文的句号断句的。
+ `6 S7 y5 k9 @: M2 A- O) R
/ j* W; ]4 s% l3 c9 w7 a7 {. q
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。
! j. B/ F: M+ 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。
5 ~. ^0 }7 D0 ~; D
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。
4 \- u( Q" A; T
3 t+ ^# S* U7 Y
6 k0 u& O, f3 g9 ]
2 y" [( s) [! c* P
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