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


: O% c# X* m& R; d6 E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。
----------------------------------------
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。
----------------------------------------
+ S  M, w1 S( Khttps://github.com/guillaumekln/faster-whisper
$ W6 V1 |7 \  l4 h. x安装如下：
2 E2 S, s( [" \4 [7 W% Q1, Windows 10
2, Python 3.10.11
3 [! z3 V0 k2 A( F/ X; t3, CUDA 12.1
4, 在python 3 中安装
pip 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。
3 a9 f/ u) Z% Z' S3 h# J9 q  w1 y5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
4 h1 R; m3 h- z# s1 E- Q* O4 s: a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：
( Y- i9 \7 }! D/ _
* x+ n6 X( Y8 ~! j" f----------------------------------------
; F, T) o* N* E! i4 n! T0 Q, L, C+ ]
2 d! B/ _# }, ?. q# j1 Hfrom faster_whisper import WhisperModel

model_size = "small"
6 g- ^- C0 \& ]. y4 H4 H0 `5 d5 q
model = WhisperModel(model_size, device="cuda", compute_type="int8")
. t; z% n* {6 a9 Q' |" R: R
segments, info = model.transcribe(
    sourceFileName,
; @, R: }7 I7 _$ ^" l- d& S% \$ O    beam_size=5,
( E8 \7 B; I3 z    language="en",
1 `0 S8 R2 Q9 u1 l    task="transcribe",
3 U, \0 M( g4 Y    word_timestamps=True,
; }4 D6 o& O, R. H" j2 h    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
, z1 `3 e: E+ ?  L3 H6 T
        for word in segment.words:
3 L  \* D6 R. @+ y) m7 e+ u               
----------------------------------------

( ?( c; C* `5 j2 H代码说明：
" r( B6 K" l) u0 \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。
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。
+ _4 g1 d& v$ C4 R0 }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
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
5，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,
8 M) |) o3 {) `* U4 R3 c5 W' ]保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
  m6 ^. _1 u5 S6 G7 B  @0 ?保证能尽可能准确的断句 punctuation，但是不是决定性的。
- L8 U7 X0 a9 f* E8 n其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
! O4 b1 {7 I+ e9 o2 x3 O1 l
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。
- `! U  b1 e: F! J7，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。
  }: J2 [5 R% n: [3 N7 N8，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。
+ R; R/ S- o/ t& s3 v9 a0 t

---

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