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 # T# a; Y5 h. p; F

6 P: Z; z$ I1 `9 h. x7 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。
) G, H- }$ u+ H& o& P* g. Q- ^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。
$ c/ |- C/ O. ]9 Q2 o8 Q4 _----------------------------------------
8 X6 t3 c& k# _( N, k$ u7 `( P5 i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。
' A0 ~3 D# {5 s6 z2 ~8 q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。
7 r: l5 u! Z2 P- Q- J! I----------------------------------------: j% i8 q  i2 u, n
https://github.com/guillaumekln/faster-whisper
. L1 q2 i, ~) g' _安装如下:' R! Y2 x( o$ G' n
1, Windows 10' p: H# G  p8 W0 e. N( b8 f/ S: N
2, Python 3.10.11
2 L/ K9 _; S9 h% d: l3, CUDA 12.1/ C1 @2 b4 O6 P" z8 u  ?7 `
4, 在python 3 中安装
1 B( D: r# `0 K# d% z0 rpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
4 ~9 M. O6 n* s/ b1 B( m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。
$ C, q( L* i0 g+ f2 `: b+ h5,pip install -U openai-whisper
8 p5 G7 P6 ]: J- N+ f. a# Q5 h这是向whisper 致敬,可以不装
( j, Q1 |% d) @6 a6,pip install faster-whisper; v$ y  G- v  q  o3 t2 Z: E8 B. \
----------------------------------------- ?& f. b4 o8 [; u
whisper 我用的命令行,faster-whisper 我用的是python。& I2 [9 N! w% ]3 N: m' `0 e/ X
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:
; D: L. b# d$ ]) y% u. t) e1 V% H- O6 P8 H  I  T8 f
----------------------------------------
1 W, f9 q3 n7 \. v
; k$ C: g' f4 U  r* Z- E$ v1 Mfrom faster_whisper import WhisperModel* h6 ]# T  m9 z$ X4 e  s- H
7 o9 ?& i6 {$ g# c, N  W: s
model_size = "small"1 N6 q; Z# ]% W9 ~; H2 N
8 R) P% t+ d( c
model = WhisperModel(model_size, device="cuda", compute_type="int8")6 B* N% ?' [/ M  j) G

' m$ ]- ^; P* X1 [/ qsegments, info = model.transcribe(- u' ^7 s* N* Z  s
    sourceFileName, . r+ Y0 G% e4 H8 B+ @$ I; S
    beam_size=5, - @, F# f( k7 W5 l
    language="en",
2 p7 D/ _0 \1 j" S1 \, I% i4 r    task="transcribe",
. u0 P; |* p7 T" Q    word_timestamps=True, 9 P' M) I8 P6 @1 C, n
    initial_prompt = "Hello, welcome to my lecture."): x; z; _0 B" P4 O* e! @! w

$ M5 ^% R5 n3 h) ~+ K/ R* hfor segment in segments:
8 x! X( ]' j8 w* ~. r0 ^/ ^2 S4 F    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
7 e1 I- j8 @3 @8 @- s9 l( N/ m1 Y2 J0 e( O. F2 ^# @! O
        for word in segment.words:
+ A8 l$ c1 O3 C  B& c3 H$ ?                & s7 R% N4 m* d7 w2 B. _* w% Z
----------------------------------------5 U, g0 G6 Q+ Q; S# Y

) g1 `  n6 d% k1 ~+ t代码说明:2 v' }) H( K! r: i1 n  T4 a
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。
- s/ ]$ ?2 h& A+ \2 Z* Q% D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。5 x  Y/ w- W0 x
2,segment 本身是很粗糙的,做字幕勉强能用。! d! N# Z0 U5 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。
, Z" Q4 i5 U7 j4,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
/ r7 n) K/ W' P  M9 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。
  `& P7 f* p  O$ o' R1 M, y5,model.transcribe 中参数说明:! Q' b; d$ N: D' u8 J; P+ V
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5 A# J+ s' U: ]# g! }$ ]  m, C
其中' V0 I' y/ T/ _4 u+ a
    word_timestamps=True,   }& N" z* F" j! T% `
保证了你能拿到 word,否则是拿不到的- X& b& E# ]& p. v
    initial_prompt = "Hello, welcome to my lecture.")
$ M  S2 A0 \" B. @  E保证能尽可能准确的断句 punctuation,但是不是决定性的。4 v6 c- `; Z/ P2 x
其他参数可参考源文件:
; ?, `+ c! Z- Dhttps://github.com/guillaumekln/ ... isper/transcribe.py# g" @% p( `9 S) S0 f( \
152 def transcribe(
& ~2 \4 o  d8 K, U( |/ R% R8 K从源文件你可以看到是支持中文的句号断句的。
* e/ [/ j  A  t' V. R8 I3 Q7 v$ k  d) s9 H6 F: S* q* G8 m
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。8 x/ ^+ G+ K2 [, n4 V! [
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。  n# V& G/ E1 Q; J+ g/ e
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。* d2 {& L- M0 C
* x. s, ^  c+ g1 G$ ]4 z1 _
7 I; E/ ~5 u; f1 D/ y  [. z

9 m# T5 r5 T) 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