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
$ k& Z* T6 e' ?" O
8 d. G, l- E) q. ]# I" z
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。
2 E0 T1 \4 r" \! N5 ^* s3 E
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。
+ d/ @' ~ A' X
----------------------------------------
0 ?% Y) y& V- H; q
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。
0 X7 p4 D9 C) R* c
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。
% K6 L; j1 R, ]; l, L0 n6 T1 g( f0 K
----------------------------------------
+ a$ C3 b6 X! ]8 K0 m
https://github.com/guillaumekln/faster-whisper
! z ^: H9 Y8 }" i" c) G/ ]
安装如下：
9 T! ~' u; R- J) G! F7 ` W
1, Windows 10
0 [: L. `" c, N/ L- {2 ]1 d2 E
2, Python 3.10.11
' p9 ^' o$ ?2 z3 S$ s$ `) f' h9 g
3, CUDA 12.1
" m- N& ^0 C) E& }) e+ h
4, 在python 3 中安装
% _: O$ L. X" ~0 F4 Q( { Q
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
0 Z& r1 @* W6 U) v5 R9 ]
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 x& ]/ H( B. T* u4 G
5，pip install -U openai-whisper
$ g; h8 _7 i1 N' J, T
这是向whisper 致敬，可以不装
! Q7 m" { D- R9 @4 ]: p
6，pip install faster-whisper
/ x: {. m0 k1 }1 H# N7 W0 `. ?
----------------------------------------
3 f: O; X. c1 y) I2 g1 T
whisper 我用的命令行，faster-whisper 我用的是python。
- v$ O' J9 L. N T% x
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：
) v1 m: }" b8 h2 F R# j. z
1 ~' u5 p5 x" P" g$ _" i2 V0 z) p
----------------------------------------
- a6 F8 }6 A' p% [
: d, C% S3 I! h1 T/ K1 g0 w
from faster_whisper import WhisperModel
* G4 k( U( Y2 C' P
; M$ I* s( }7 C7 E6 T2 }
model_size = "small"
. ]! Z- _! X6 l$ u
6 T: C* G+ u8 R" {0 D- |
model = WhisperModel(model_size, device="cuda", compute_type="int8")
5 l! W1 q- T/ d @: q0 [/ q
( `2 o$ y) k. {8 G* w3 k& D4 ]$ ~2 ~+ y2 }
segments, info = model.transcribe(
* [: k) G1 a. b3 t; m) ]% x
sourceFileName,
' u4 f0 h* K1 L0 G4 p) b9 J. R8 F( Q4 N
beam_size=5,
0 d) ?( ^: ?) G/ [
language="en",
# o; c$ P0 c5 p
task="transcribe",
t& g- r, `% [% a! e
word_timestamps=True,
4 r1 ?( w W3 q$ P
initial_prompt = "Hello, welcome to my lecture.")
; |( q( k% ~0 e8 J4 L3 A6 t% e7 _1 |
x E! f- |" V
for segment in segments:
) K& j/ ^( ]9 ?& N, O
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
4 y# g+ @! p: S/ I6 D" p
% x" a/ P; ]* s! ?. H/ K; n7 P/ ?
for word in segment.words:
" g' k S( M1 C' h( {0 R2 Y/ }
& s& @& w& R( A2 l: c. L h
----------------------------------------
' f- l& j7 a2 n; ~# x$ `( @
1 |( T& C& }4 m0 B; d$ T2 Y0 b6 |
代码说明：
( I; t3 E) v ?2 Y3 t. D! ]
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。
/ J$ m, |4 }0 @2 F2 ~
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。
) C. T- J& O" v+ @; O& F9 C. a
2，segment 本身是很粗糙的，做字幕勉强能用。
8 x7 Y+ ?3 ^ M% T/ i
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。
- `% C, S% a7 f$ ^ x1 J+ Z4 W% \
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
' w1 d0 e0 x6 u+ y
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
7 G( G+ H6 W: |+ d U+ G9 ]( s
5，model.transcribe 中参数说明：
2 ^' U" W5 _% H: ^3 r; z1 @' @! P3 D
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
8 b9 U8 I5 i5 ~. } B. J3 u
其中
" m* c4 y, j: N# T$ `5 a9 {. R
word_timestamps=True,
0 c1 Y5 a, j! I, O! [
保证了你能拿到 word，否则是拿不到的
5 ?' V* j5 L# e8 l# P$ h, E
initial_prompt = "Hello, welcome to my lecture.")
% \' G8 k2 E( x/ \& m8 Y7 I5 m0 R
保证能尽可能准确的断句 punctuation，但是不是决定性的。
0 c$ Q6 n) w! f4 ?+ u2 h6 s& [: n
其他参数可参考源文件：
9 \! q$ Y, ?% G
https://github.com/guillaumekln/ ... isper/transcribe.py
' m$ B. T! H$ p7 o, y* I8 d
152 def transcribe(
2 U V0 ]# w3 u5 c0 h! _
从源文件你可以看到是支持中文的句号断句的。
0 ?2 F9 c* d' t [: X& M/ v. ~
3 K5 R0 @5 z3 L. V1 e! e
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。
% e/ d+ A' }/ z$ n
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。
- ^! I9 [# l3 g
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。
( k& y S. v$ s$ B
7 Z: o- B$ N4 l# B5 T2 C6 `
0 U7 I- v P) w2 U Z9 B
( ]; B; `2 T9 S# F3 E7 F' c
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