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
x; q. [" S! ?3 z# M/ s1 a1 L
5 u2 P# X* B$ G: @5 }
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。
4 m! {9 V. F; Z( i
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。
% I; r9 I+ g/ { |% ^
----------------------------------------
2 x+ a" I" ^3 z8 G
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/ C( v% E) g2 Y, K
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。
' L5 k* K3 O$ w% j& b9 z
----------------------------------------
: g0 ^# y2 p0 i* m! L: ^7 y
https://github.com/guillaumekln/faster-whisper
0 \2 L2 v6 I( q- p( U* _( |: r" Q/ a9 u
安装如下：
- {6 z. c4 z* D% ?5 c
1, Windows 10
1 \$ m' [2 s+ j! j. E/ ^2 S- v) v
2, Python 3.10.11
- y" q: |+ k" o9 Q8 e2 b
3, CUDA 12.1
% f) |# L' m* \
4, 在python 3 中安装
5 E6 H' s" f: m. w$ F! b
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
& \/ {; p/ c5 U' I
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。
) P, V) v4 O! r( E, V
5，pip install -U openai-whisper
+ P) V) K& Q3 `9 d( H' K
这是向whisper 致敬，可以不装
( F/ L6 ^* e! X8 u+ f/ |
6，pip install faster-whisper
" B- t/ I5 Y+ K. r: _7 @
----------------------------------------
' g3 F1 N3 S* G6 M# l- x s( I! N4 t
whisper 我用的命令行，faster-whisper 我用的是python。
' c8 S& V3 G! z! J; D, J
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：
+ ]5 n7 B; t$ b9 o3 V) z
) K! A4 \3 }4 f; ?
----------------------------------------
& e& M4 H: D, K. q1 g( @
9 M( `! H3 [; d/ S' ]6 k1 N% x
from faster_whisper import WhisperModel
+ A. L" P+ F- i. m z/ ~: V
1 D4 b/ i3 w( \
model_size = "small"
/ S1 E& g! G& O8 o4 W
7 w& v+ u" Z) c& m- E
model = WhisperModel(model_size, device="cuda", compute_type="int8")
- M# h4 |* m* i' g* g! T9 ~, b0 ?
* W" v# q" ^, ]+ _" @
segments, info = model.transcribe(
+ ?8 k4 x& n @/ U$ L( y' w: E. O/ x
sourceFileName,
$ b) E4 |, D) E; x, G- a. l4 b
beam_size=5,
9 K) `; \7 l7 {6 t. g( I: n: q/ w& [3 a
language="en",
3 Q' r1 ?! D: S* W, k% f# |6 {
task="transcribe",
& y* ?* J3 t- ^: q( ~0 D# a
word_timestamps=True,
7 s; Q6 i! g) x4 ]' z& E
initial_prompt = "Hello, welcome to my lecture.")
. B2 R6 d: y0 u: ~. d1 h
4 H# v" p$ _+ q; |! Y; U4 A
for segment in segments:
* X7 C- V# r$ O* s1 G
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
5 t% s. J+ ^/ G _1 ]* ]" l- j
) C+ ?* O6 K" }
for word in segment.words:
9 q: R7 \7 C0 Z4 [/ h8 \7 m
$ G) `9 k& x! Q) [' L: D
----------------------------------------
% g. y+ C6 _( t. ?- @/ x( H- K# D
6 o! i* ~& ]+ Q) G
代码说明：
9 @3 b& P4 B( L6 V9 b$ Y
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。
( P. ?9 ~- p5 w+ A, a+ d
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。
% _6 [# n2 e% o( ~$ y6 r
2，segment 本身是很粗糙的，做字幕勉强能用。
9 o2 `8 w9 ]6 _$ o7 o* {
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。
9 O: n4 @9 O H3 F% h
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
1 p' Z5 p+ y( @) Q' w
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
" P2 m5 [) Y6 O4 o7 k2 j2 o
5，model.transcribe 中参数说明：
$ ]# q$ T4 T2 a/ C% p4 ]) O
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 t; w8 m$ E5 C3 P. f8 D, l
其中
$ I; x2 J4 m$ c! h# `- b
word_timestamps=True,
5 p B2 r2 F- K# r0 }& ~
保证了你能拿到 word，否则是拿不到的
+ v' |$ P5 H: k% S) C. o/ A. w1 t
initial_prompt = "Hello, welcome to my lecture.")
8 Q; d, J4 f) t: ~8 d( k
保证能尽可能准确的断句 punctuation，但是不是决定性的。
- Y! e3 S) d9 L. L% S2 S
其他参数可参考源文件：
. N9 k+ h' Q( v5 @4 a0 A
https://github.com/guillaumekln/ ... isper/transcribe.py
; q3 y$ q- w! r% O$ J- `2 H$ {
152 def transcribe(
# P4 O+ A" W, ^1 w
从源文件你可以看到是支持中文的句号断句的。
{% u8 A5 T0 N) b
" M* E. J E: Y0 ]0 [/ k F6 Z6 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。
( z+ b3 J2 C' E& C3 J
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。
1 A& I) J( w, S& a& V2 p4 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。
' G8 ?, j2 F( |+ y, g7 P" ~
O- Z% d7 G# u8 N- H6 y @0 [
+ V [7 v' k7 j& c3 U8 j4 Q
' Z6 x/ {( J' J4 e+ O0 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