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% r# b' J5 k; k# s2 o5 G4 a  p! B  R) z5 e; ^, c
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。9 S6 I/ N: ~/ U0 b) i9 O
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。) {7 \1 Y( ]5 e) U2 [% ?) U
----------------------------------------
, E' q; R0 [: e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。- t; a" k) v5 Y* I  g
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。* Q& J/ K: Y* c; X9 H4 Q
----------------------------------------
: R/ {: O4 W; x. Q: u) Jhttps://github.com/guillaumekln/faster-whisper/ l( U# C; ?0 S" }7 X  P
安装如下:. Z; o1 P2 S* B+ n! ~  g  O
1, Windows 107 Y9 F6 K  r( \; x4 F0 a( n% b. o' n
2, Python 3.10.11
: Z& a3 w$ ~6 K0 w/ C  r9 V3, CUDA 12.1+ c  C& I& K, i7 m2 Z- j- _
4, 在python 3 中安装
( }( p4 p+ ?6 ~& [5 D( Q  t* Apip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
% v  v6 r4 y2 m$ T! g- G+ t3 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。
7 U; \3 n# @  I& a4 {& r9 l5,pip install -U openai-whisper: p. O% Q8 v! `4 ?6 y6 K; S
这是向whisper 致敬,可以不装% N5 E. G2 z* `1 m  R- J- e+ b
6,pip install faster-whisper
" @* L0 e' c# ]----------------------------------------( `, p& b6 s% i# H
whisper 我用的命令行,faster-whisper 我用的是python。' N: u! _6 a4 E  i- c
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:
- n. L& H8 f& `6 X& m, T
8 Y3 d, F# c3 `# d3 ^1 ~2 ^# s----------------------------------------" ]  ?* a- e) U2 V% _& I
7 S& r: i! e$ w: u
from faster_whisper import WhisperModel
& M$ g6 X( r9 a  y
2 L! R+ d$ `3 U0 X* H" o  J- ~: m' Omodel_size = "small"
- p6 R) E( |' h# U0 g
5 z$ Q- ~6 w. T2 f. `. A- o, Lmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
8 d6 \7 |' O4 @' C, a
; R$ f4 ^8 @( G, W" b$ Asegments, info = model.transcribe(
: ?! |1 p' @- a    sourceFileName, , }0 L  f1 [( ^) i" {0 O! f" \" t
    beam_size=5,
" s' x6 E: K1 u& T# U/ c" W$ g) ^3 l    language="en",
, O  Q( P1 ~, g0 F6 p    task="transcribe",
7 r, `# ?/ s/ i$ x* `) a1 c    word_timestamps=True, 0 G, n1 K$ r0 V4 y! i
    initial_prompt = "Hello, welcome to my lecture.")
3 O; o8 H( c1 i. B8 n5 z8 l5 M. q$ J. m0 x0 E1 f
for segment in segments:9 h5 {5 B8 {( |' W/ y' B( U. w
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
- A- p+ q$ b7 v9 Q  K
) S1 ]6 X* j; q+ q+ Q- e- ]1 p        for word in segment.words:
& S0 k* [3 i/ p% a4 a               
% Y" \2 n+ w3 M& |----------------------------------------
. R! y; v% h" z) O* c3 F$ c$ i. t* ]. ]2 k. D) R
代码说明:! b: ?0 f, u2 _; U8 n4 P7 _
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。0 q# t& H, k/ o4 o4 M
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。" g. K6 d6 M: w- C& |
2,segment 本身是很粗糙的,做字幕勉强能用。
! \; a. u# F5 t2 R* f& z9 B1 W3,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。1 _# B$ }/ \, r: [+ X$ r  l
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! |) h' O$ I0 F  I4 o% k6 A& N
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。2 B, Y5 X6 s% N
5,model.transcribe 中参数说明:
! ?6 {* G0 c+ |3 }9 U5 Q/ \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
' L) J6 a/ t  [1 {& g7 C. y+ B其中2 K2 C* g8 J0 `3 `
    word_timestamps=True,
( j, Q9 ~" j8 y) ?保证了你能拿到 word,否则是拿不到的
: x6 u3 }2 q" Q* D5 ]3 |    initial_prompt = "Hello, welcome to my lecture.")5 f& h  a7 A4 i+ o
保证能尽可能准确的断句 punctuation,但是不是决定性的。
+ F/ i* Z' f0 M( f; d其他参数可参考源文件:
- n  G; Y# ~  q* ^; y5 K/ u8 j+ \https://github.com/guillaumekln/ ... isper/transcribe.py( m1 |  W1 _6 K1 d
152 def transcribe(
& l! K, G3 R' \4 z7 _6 A从源文件你可以看到是支持中文的句号断句的。2 q" l# y& e. }! ?

  y, I' r# L/ ?2 c3 `) z/ s9 T6,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。
/ W3 R- s5 x$ m' P8 |1 A* T" I7,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。
, H$ Y0 ?- N0 G) p+ `$ b8,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。
1 W( p8 ~6 |/ M+ s! z8 N
5 j- U: h$ z' x: z; q 9 v" d' ?2 R! Y8 b
3 D" F( g1 F" _) ]& B2 y

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