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
: S6 a; A' A$ X* K( J1 M" c
5 z8 j; [7 v+ Z; b5 U* 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。
3 `$ Q; [$ a9 q0 D" {+ ^. V( q" u
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。
- I3 W9 W# G; ?9 K$ [
----------------------------------------
( b- O& d) A F5 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。
- P/ `3 S* c+ E; U
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。
- t! w% N: L U. E( ?. O
----------------------------------------
: T* V/ X4 E/ p, k2 o
https://github.com/guillaumekln/faster-whisper
- M2 n# [# k; D3 {
安装如下：
# y6 r! \8 Y- O J0 _( a
1, Windows 10
( J' @+ l7 j4 }4 v! N" u& x) d2 Q2 J
2, Python 3.10.11
( P) v8 F. Q1 F P, o2 K. r
3, CUDA 12.1
6 \* _; `" y7 ^. j
4, 在python 3 中安装
% D5 t; C, z$ r
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
% t" } H! ^1 L4 x8 I3 k4 _
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。
/ H$ X( u+ _+ J: w- M
5，pip install -U openai-whisper
% q: G/ j* }- q# M& ^3 k
这是向whisper 致敬，可以不装
7 M& A6 t# Z# R# j8 o' e
6，pip install faster-whisper
" G+ F4 c# z$ O
----------------------------------------
* \3 t2 Z7 C' G; [% W- \/ q6 \
whisper 我用的命令行，faster-whisper 我用的是python。
: }# G" F0 i5 w1 B
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：
6 H3 N$ j9 }. d7 r( J
: R6 X5 ]$ p" [& Q9 c- Y
----------------------------------------
; T9 A$ X3 J! T8 m* l8 S2 Q
: q& t# H4 `- Q1 l5 V
from faster_whisper import WhisperModel
; J/ E0 T8 ]2 i+ E$ G
. ^' z0 \: ~1 C' F3 G# [# G3 \
model_size = "small"
' s. ^9 n7 k2 J3 {/ |3 q7 [
% {5 T6 E6 E. U7 d# ` j
model = WhisperModel(model_size, device="cuda", compute_type="int8")
) e. F4 H8 q* {5 d
' X9 O2 @/ ~) H1 Q b2 C }, H6 W
segments, info = model.transcribe(
3 i7 i( P, S" K) R: b
sourceFileName,
( a9 |" K$ Q/ K* `3 L
beam_size=5,
8 L* [7 k- @2 |! z' O: S& G
language="en",
& @9 x: e" r; G3 O9 b- f
task="transcribe",
+ R$ @7 A0 o6 v0 z( G+ k9 b3 i6 S
word_timestamps=True,
# O: I8 W& H6 {# C; w
initial_prompt = "Hello, welcome to my lecture.")
+ {7 s2 e% `) }
- v& t. t0 v( s( L7 y0 D
for segment in segments:
2 m% h/ `% j% v
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
6 ]" z, Q! s; |1 G
( X0 s& o$ M6 K- V2 c2 x
for word in segment.words:
. n3 g* v9 h3 e( @ h3 l
, B' \; E2 F$ \2 W# M0 k! d, f
----------------------------------------
- W) u7 m; m7 }4 Q$ ]6 R$ c
3 o7 ^7 k( ~# N, U3 F
代码说明：
; ^( r' O, d( i, ]; B
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。
4 z' G" c6 W) k* H2 S
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。
5 ]- R4 A7 n6 {& h6 ?' }
2，segment 本身是很粗糙的，做字幕勉强能用。
! a( i. \) B0 s/ 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。
) R$ ~5 t' N2 H Q
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
' W* }. a2 L; c9 P* j9 Q1 F2 }
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
e ^* T, ~( |! v
5，model.transcribe 中参数说明：
{4 J* O1 A1 I D) w+ G
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
4 w \5 F" Z- g; X; F
其中
; Z7 k8 i+ G1 Z( N; ^# U$ d
word_timestamps=True,
% U y5 [/ w }9 p- J; D
保证了你能拿到 word，否则是拿不到的
( d9 X; Y& x3 C6 h& E- y( M
initial_prompt = "Hello, welcome to my lecture.")
& D8 Q3 u, A/ O
保证能尽可能准确的断句 punctuation，但是不是决定性的。
+ C" O' u) T& N% M
其他参数可参考源文件：
8 o) K) r5 ^6 u7 Q9 ~$ r
https://github.com/guillaumekln/ ... isper/transcribe.py
) ]+ {9 Z: @5 r' W/ }
152 def transcribe(
# y3 Q4 U- }2 O9 E Y& P2 j6 }
从源文件你可以看到是支持中文的句号断句的。
' Y% u' C) x8 a- K5 m8 i+ r/ v
4 L0 {& }* H/ Q! r# n
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。
7 u4 v; A" J# t# s! B$ p: R1 T" a
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。
; g+ N4 x1 \2 h" J( k
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。
; T: V" p- X) J- D8 t! v
L! w' F, o6 G# u, W. v
8 K* @/ D; S+ H* `
- y' o5 n* Q5 B! \2 k6 E
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