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
7 [4 A$ @+ \4 h/ }6 l
" S% I. J: K7 w$ 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。
# t8 r& v( \6 N
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。
& L8 `, W9 ?( I1 _
----------------------------------------
' k! W! W- D Q9 k/ 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。
9 B m. x. L8 O4 P- A" z! l& r- f
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。
* F: w% b9 @; C6 e7 o
----------------------------------------
6 s0 K4 ] S# w2 E3 s/ s, _
https://github.com/guillaumekln/faster-whisper
) l, v; B+ H/ H0 O8 x
安装如下：
$ E* e' L% F& _2 @7 J
1, Windows 10
( p$ C5 B) \! J
2, Python 3.10.11
+ W* k. @8 W* D8 P1 v; E5 d
3, CUDA 12.1
0 R2 w( Q! ], e6 ^
4, 在python 3 中安装
5 X5 j" a0 K( r
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
6 C4 S. k& Z. e; u
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。
% \3 @ b" @. s
5，pip install -U openai-whisper
% u6 j B- S( ?5 W( C
这是向whisper 致敬，可以不装
7 j5 o# {6 I A) a$ Y
6，pip install faster-whisper
1 w, k* ]+ f. ~( G; g9 s
----------------------------------------
, ^ ~& o& Y, m
whisper 我用的命令行，faster-whisper 我用的是python。
7 r# E' T, E5 h+ F
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：
9 r3 l4 S5 ?+ a
' _2 H( I5 h# V4 k: c! m3 A
----------------------------------------
: F4 r* j' i2 s' T* Q2 R2 d' U
0 {) b$ [% |5 Z* m( a
from faster_whisper import WhisperModel
' {% q1 l1 K9 p* w4 c
5 r; \5 w5 Z7 r8 W8 `
model_size = "small"
& P: H/ H9 ~5 n2 P; y
3 _. i- G N i- \8 v
model = WhisperModel(model_size, device="cuda", compute_type="int8")
0 Z; g/ J- v9 w$ ^+ q* r
" u6 L+ U! A$ J: \
segments, info = model.transcribe(
. l$ ~7 G: x- _& c) P& U
sourceFileName,
- Z Y8 O& Z1 R5 G0 P& o1 I% U3 q1 ^
beam_size=5,
7 i! I" q7 U' s4 h9 }3 W; Y* r2 B
language="en",
; L9 N0 ?# A0 k4 {0 y( X
task="transcribe",
6 L6 s( W/ y- V, Y& s7 c- F/ e
word_timestamps=True,
5 ^+ v! ~6 e7 C2 ` H2 c. k
initial_prompt = "Hello, welcome to my lecture.")
0 l, N8 y {% f% H8 N0 D
" e }! X0 M8 Y. @ E6 q8 P
for segment in segments:
: A6 D* O* O% ^' r/ ^5 W; [
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
/ y' h0 {* H, O6 t# g/ Q) n
+ N- b; _, T& O% l
for word in segment.words:
! K' k& p8 R5 B% D3 M H
) p x# G1 `3 w0 a
----------------------------------------
- M( j) L+ C% s( H" b
& O" V: V: f8 k [
代码说明：
0 z6 j; Y4 B. D% f& C7 Z
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。
E/ D2 Y; \; X: G& b/ r, e
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。
* U2 F+ w$ _) }6 ]' M) }- l
2，segment 本身是很粗糙的，做字幕勉强能用。
: g8 c2 c5 X+ K: w
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。
S; k* B& W4 T5 ~ @- x
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
/ W6 C8 f+ K1 y: X
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
" V2 a# s. f% a. Q; o
5，model.transcribe 中参数说明：
+ T$ w0 U8 `% C5 T& `' B$ m
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
. M3 c o+ S( F7 X v. }
其中
% S8 O, x5 p# H, K& g
word_timestamps=True,
D2 x; [* C0 {0 ?! Y) K
保证了你能拿到 word，否则是拿不到的
/ ?( |0 k9 L# _1 \
initial_prompt = "Hello, welcome to my lecture.")
, z+ d" y6 m6 p7 T" H
保证能尽可能准确的断句 punctuation，但是不是决定性的。
' E! ~% y' u; ^' `
其他参数可参考源文件：
: ]4 d: W# U7 o8 P
https://github.com/guillaumekln/ ... isper/transcribe.py
3 s1 |! B6 }5 W5 ?
152 def transcribe(
& T7 d7 V& X7 \2 ?7 f$ B v5 h
从源文件你可以看到是支持中文的句号断句的。
, f& r6 D" x7 j# P' y
+ v1 \0 U; P! `3 a3 a
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。
1 J0 H3 ^, c$ d! C) I$ X
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。
( E1 q4 s! t, q6 y5 D( b
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。
( u9 g+ }3 m+ m8 V* `5 M
3 F3 G- p; J5 A
4 ^' K+ P3 g/ t5 L6 o. ^% \
: a4 E6 z* k( n) O3 }5 e
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