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
% @/ q$ d* ?6 \
5 X1 ~6 m* |7 b( _
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。
+ U0 ?8 D+ J% s t5 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。
2 r4 o( [+ `3 j3 s
----------------------------------------
4 ]0 P' O2 J4 \# R9 T; ^
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。
: q2 i: W' b% R. m2 b$ K& 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。
h- g6 i- O5 r* x! d
----------------------------------------
1 u3 Q, @/ g7 {: ~' Q
https://github.com/guillaumekln/faster-whisper
. K& r+ z8 f" [/ s
安装如下:
% m5 m* w& v) s' Q! }0 l
1, Windows 10
1 y* X) {$ W1 e* @# J! X3 m- l: \
2, Python 3.10.11
9 ]3 v' g/ J* x0 ]" K/ K: B
3, CUDA 12.1
\! K# e ^- ~7 Z- G
4, 在python 3 中安装
. l. @, _- p+ e" ^, c: I `
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
. u& A% w, s, h
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。
7 d% T" S# ?; |* L @
5,pip install -U openai-whisper
]/ p1 q0 n0 Q# Y0 k
这是向whisper 致敬,可以不装
/ v. W2 O" w/ I* ?/ t" Y
6,pip install faster-whisper
3 G4 c: b3 \0 @1 u: g
----------------------------------------
$ a! f2 U/ e3 f. b/ {
whisper 我用的命令行,faster-whisper 我用的是python。
& r) S7 d& g, ~3 S
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 }) J* k/ J$ ^4 i
1 V/ y x1 M; `5 D
----------------------------------------
# U! y/ l* ^9 p
9 a' ]9 i6 |- ~/ I3 o7 o6 ?
from faster_whisper import WhisperModel
4 F k! C/ Y! }% S* P! Q
9 B: g/ V- h( W# o+ |$ X3 }
model_size = "small"
5 o/ |( y( R+ T B: H5 T' a1 l1 s: c
$ A0 t' h5 ]" a, K5 H2 q- Q
model = WhisperModel(model_size, device="cuda", compute_type="int8")
% [6 q$ i: |5 z5 [5 [2 \
8 ~% J# ^) N3 N' y6 C
segments, info = model.transcribe(
8 `# Y' e7 D: x% Z' F+ R
sourceFileName,
$ m6 T. N* A5 k
beam_size=5,
% s! l$ L* v$ z u
language="en",
) V4 j: W" Y9 M3 {
task="transcribe",
5 u0 K' a" P6 T
word_timestamps=True,
8 Z# F" A( A* R' F1 y, K
initial_prompt = "Hello, welcome to my lecture.")
9 T1 H) N; }4 x& j+ B
4 M: d- W0 c. `) T2 P
for segment in segments:
1 j; r6 b. P' \( L7 J9 W7 a
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
! t8 a/ c5 m% J6 _1 w
3 g# B7 d( A; m0 _% U
for word in segment.words:
! F3 b0 R( O6 ^
u% H4 n$ p3 H' X: n
----------------------------------------
. y5 p3 q4 G3 ~* M/ ^* ~* P
" _7 G: ?$ o# c. q, [" @
代码说明:
, `' Q( ]/ E+ Z @1 f
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。
7 j& i- c( F' u9 J5 y+ l. |
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 [0 w( p' N4 c' b: f1 d% ~
2,segment 本身是很粗糙的,做字幕勉强能用。
3 J2 e9 V @* G$ ^0 d
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。
! y' X3 f: x5 Q8 t0 g# A- e" |
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
9 G- y. v0 x s8 y3 J
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
: t1 T; c3 ^- d; a5 ~( { ]: C
5,model.transcribe 中参数说明:
2 A7 ]! U: {! g7 }
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
% G1 p* l5 C+ B7 ~
其中
% _; `3 R. X0 @9 z
word_timestamps=True,
, m$ P) _" i( e% K7 [7 I
保证了你能拿到 word,否则是拿不到的
2 q) Z \" w8 P8 d+ k* v5 O
initial_prompt = "Hello, welcome to my lecture.")
- C! O. a4 R2 S- N; V- w) A
保证能尽可能准确的断句 punctuation,但是不是决定性的。
$ r( _6 i3 w1 S& b- N3 D
其他参数可参考源文件:
$ N) a0 r* J" T) p i
https://github.com/guillaumekln/ ... isper/transcribe.py
9 I( u& ~/ E. e1 T( S3 B9 X
152 def transcribe(
+ t+ D* b. ]# x$ `' M: N: X
从源文件你可以看到是支持中文的句号断句的。
5 }4 k. j6 M9 {9 _
* w/ Y4 A( I7 r8 B( v, `
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。
# L6 D2 m& G' E8 c# }
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。
6 ?; b" [/ g4 V
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。
: L1 G" K0 L* u9 Z0 W) R; Z
5 Q$ {: G) {( V' l. q% S& B- g/ B7 n
^5 j2 L# u8 K. R' @
8 Y+ U1 g# t# X. F
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