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

& {" V- }$ M  f# b8 [
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。
2 @! {# o5 K; U0 J  |3 u: B----------------------------------------
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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
1, Windows 10
& @/ d! g- c- P% e& }( f2, Python 3.10.11
3, 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。
5 K, i5 K! h# D# v5 r7 _0 e5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
1 S- r: p) e8 O$ V& G  L: U6，pip install faster-whisper
----------------------------------------
2 T) a, j) f* i9 Z4 m. Dwhisper 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：
8 M8 c, Y( ^9 n7 F1 T1 W+ Q* m! h
6 o# }1 K& T. _0 }----------------------------------------
/ W7 ~0 u& p, _* T4 n- A9 e
- u  M7 a2 L# }! qfrom faster_whisper import WhisperModel
9 w; f- |# T. Z( c8 Y* D6 ^* E5 X
model_size = "small"
- r% j* J- {' j; `
model = WhisperModel(model_size, device="cuda", compute_type="int8")
' B1 q  K$ Q/ \% ~) l8 {( a& ?
segments, info = model.transcribe(
- q$ `7 S) M# u) D1 @" ?    sourceFileName,
! U/ o5 |$ k3 P: V8 m    beam_size=5,
    language="en",
    task="transcribe",
9 K4 d% [- ]. I" V7 L    word_timestamps=True,
; p  [/ V3 `8 v/ v. j    initial_prompt = "Hello, welcome to my lecture.")

2 [1 m- b+ E. l# zfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
: _& l6 x6 t/ \
        for word in segment.words:
0 ]- }3 d. R3 h4 b               
1 a% j* u, c) W. t# E----------------------------------------
: Q2 J3 ]6 ]  u8 ^+ M5 q8 B
代码说明：
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。
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
# Z( m- g! a% H6 v- G5 Y( K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：
7 @5 k$ o4 p. }' J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
% f7 J9 p$ N4 [& Q3 k0 B    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.")
保证能尽可能准确的断句 punctuation，但是不是决定性的。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
7 A! e- J8 S4 D6 V  o. \3 ]1 C从源文件你可以看到是支持中文的句号断句的。

9 L, h  X/ |8 \  z/ s! u6，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。
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。

$ a1 D3 }) T9 `, x' J3 L8 S

0 j7 [: F: T& C1 z/ d

---

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