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
. m: a0 R/ ]- Q& g, _
4 X& f( k0 U( B9 K" a: P! _: b8 B& 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。
. L" D) i d. u/ S
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。
% q5 W$ D k9 x1 Y( A: I# ~
----------------------------------------
5 L( R7 e+ M; M- ~$ m- ?8 ]
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。
" C) ~" b* V! ]
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。
* f2 b4 C* G: w; o3 X T
----------------------------------------
6 P6 I2 Q# s" C
https://github.com/guillaumekln/faster-whisper
+ T& n7 l7 {+ x- E& c8 R r) f+ Y
安装如下：
% Z! o' {6 Z0 g
1, Windows 10
9 `1 w# u8 C3 u! m
2, Python 3.10.11
0 N' S* ^- ~3 D v0 k
3, CUDA 12.1
: o3 h- _1 i% ]( T; N# b
4, 在python 3 中安装
% P% V& a, x' h5 w
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
8 T6 `9 c0 W0 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 g( r) q, a6 e& N' l5 F* m( v% K
5，pip install -U openai-whisper
$ J# O! i! C3 m% N: g' r
这是向whisper 致敬，可以不装
! |, x! `( p1 _2 p$ J6 K3 C
6，pip install faster-whisper
1 T/ j7 k5 D, `1 g3 L
----------------------------------------
+ s8 {" x2 T I
whisper 我用的命令行，faster-whisper 我用的是python。
) l- _1 m) u; e2 ^) g8 k
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：
$ m) C( W) p# U' h& F
8 |' l( A3 n" N/ b
----------------------------------------
3 U5 S2 R" G/ k9 k, g a1 ]0 b. L
6 v, _* h9 ^! a2 L; F
from faster_whisper import WhisperModel
3 e0 E6 @ N" }& c
! c; Q* U- z. h: J
model_size = "small"
; n7 O: r5 y0 K5 G
# W0 C5 a/ O% B6 B' U& q9 Y
model = WhisperModel(model_size, device="cuda", compute_type="int8")
- `5 x' X/ p0 p( V) @4 q
/ H% t c* l4 R% m
segments, info = model.transcribe(
$ U# Z; }' \$ i9 n0 a" [
sourceFileName,
2 b( Y) `2 d2 Q9 T) q) C* q
beam_size=5,
4 p$ y- Q# r: D
language="en",
/ y: G! U. `0 K0 Z, w, _
task="transcribe",
6 e4 K. y+ y: B' V3 E9 y
word_timestamps=True,
+ _2 V& ?9 v9 f' J6 W+ U" t
initial_prompt = "Hello, welcome to my lecture.")
3 J7 k2 E; o1 c7 x0 e
5 l! N+ T3 l7 @( X# w+ x. V
for segment in segments:
9 y+ g1 Q" p6 L o6 \; y* V9 `
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
. g6 x( Q4 e% v0 T) N3 K6 R
1 s3 A6 k" j9 l5 H2 ~& j
for word in segment.words:
& ] Z8 o6 Z2 P( w% z8 D
) J; O( O" l* y; {" M+ G3 R
----------------------------------------
' }8 L( v2 V, z% w
* h7 h; V. K {- v6 a' |
代码说明：
( i" k. a, s H2 K
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。
! [9 r9 q+ U' u! u0 i( \; 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。
8 B/ c! J. X: s3 T
2，segment 本身是很粗糙的，做字幕勉强能用。
/ g o$ ^* s/ t/ J
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 P' w7 Q1 [5 J, O2 O
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
3 H' i( q: y7 Z' z j8 ~
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
; g% [. c% Y) o/ N8 {% d
5，model.transcribe 中参数说明：
$ w5 V. |( [$ |* B
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
9 E I+ L, T, r
其中
4 Y0 ^) A" P k) C0 t
word_timestamps=True,
1 @! z& m: Q, {( N, P
保证了你能拿到 word，否则是拿不到的
. e, U. ^. n* g5 G+ x3 Q6 F
initial_prompt = "Hello, welcome to my lecture.")
0 ?2 O: f4 a( r
保证能尽可能准确的断句 punctuation，但是不是决定性的。
8 T- |! ^& _9 v9 @& t
其他参数可参考源文件：
' L' y% _. z4 q j$ x+ o% ^
https://github.com/guillaumekln/ ... isper/transcribe.py
- L* g* l) N) U$ j
152 def transcribe(
/ o, c' H, q* i4 p2 \4 l; Q
从源文件你可以看到是支持中文的句号断句的。
( j' Z8 ]) z7 c- P, Z" r+ B5 r4 s
( N$ d9 ]: r. `2 ?7 D* ?' D
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。
% h- E% x2 v' u- Z% o
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。
; L1 J" Q+ i, Z+ `+ r9 A6 w- e1 d
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。
0 g7 @6 J- @1 l6 J" J
( a- r& c/ i. [( Z
a" o u v! ]( ~. T8 e
9 m: E1 a8 l3 M" o3 w
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