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

+ A7 N, m- H2 P$ ~; f
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。
+ w4 Q- n. t$ Z9 \" r; v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。
----------------------------------------
3 j9 x, j! j' y: t/ w/ T0 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。
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。
& q5 `  Z& [: b9 a8 b& y6 e/ n----------------------------------------
# a: S' [1 U0 w* p, chttps://github.com/guillaumekln/faster-whisper
$ f* o2 O# X( K7 Y0 K7 {安装如下：
2 y8 \% s1 f( \7 X1, Windows 10
+ P* m5 b7 _' {: Y6 a3 h9 K2, Python 3.10.11
; t! F+ G( L$ ~& J& |3, CUDA 12.1
2 V# _% ]# S" v4, 在python 3 中安装
- }) G) G  I5 \/ A/ d* \pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
7 {8 z/ U9 x6 t- d# a' g- r: 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。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
( L1 x+ j" X' }2 c3 |----------------------------------------
0 M$ H( ]3 R) R4 {2 B. zwhisper 我用的命令行，faster-whisper 我用的是python。
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：
) b( D8 m4 V" }: r7 ~$ i- [) w# ~
: q) |) e: k+ l9 o5 t8 o3 m----------------------------------------
$ }$ g) I8 A" z
. D7 i) u9 [/ w: W1 Zfrom faster_whisper import WhisperModel

model_size = "small"

$ y0 r  h$ W; H$ vmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
5 h+ ^* T% \' K% ?9 F$ h/ U" {
. p9 Z2 a  T3 |$ esegments, info = model.transcribe(
    sourceFileName,
3 P' v, @( x; I+ @2 y    beam_size=5,
! E3 T8 o7 h2 a2 _- y0 l    language="en",
' K1 Q) M( M, m! B7 P( q    task="transcribe",
1 e+ W0 F. g, Z) r* I# a% l) Q% I    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
& h4 P8 I) i7 O" F5 r
        for word in segment.words:
               
----------------------------------------
# I$ ~( `( E. D7 U6 i+ `9 P! A; I
代码说明：
+ c3 c% E1 c. g% y5 ?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。
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。
2，segment 本身是很粗糙的，做字幕勉强能用。
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。
+ b* D( f" x4 Q" x" Y4，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
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
5，model.transcribe 中参数说明：
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
# |$ @( F4 j, J. U6 G! @4 [, C其中
8 l  ^; A$ Z5 {& [  F    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
1 a3 e$ G3 H8 F保证能尽可能准确的断句 punctuation，但是不是决定性的。
其他参数可参考源文件：
$ o: _! j. t) E% y3 K) M" Dhttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
; [7 ?* I& z% S1 c# e! Y& Z
; H% A# ^& g. G2 U; U6，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。
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。
. m3 B- g- Z8 J9 ~8 X  P4 f8，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。

6 j& w  A" I/ _  Q/ }2 {
% `: G0 Q% d& h5 O: V- ?

---

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