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
3 P# c% w& p k% ~! N
$ A6 v6 g, z q
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; w7 [5 d* V* b$ f8 q7 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。
% `7 E' s: W3 d) b. P
----------------------------------------
0 G# N5 B( j1 s" x, T
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, u* `, M. M& ^ V# O
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。
- L* o5 B/ P- U; ~% a
----------------------------------------
' e/ s- x/ E. L& A, ^" w9 Y
https://github.com/guillaumekln/faster-whisper
5 G2 M( a1 u, P1 h+ y4 Q: Z
安装如下：
8 k8 t+ P! R6 [! y, V, h6 c8 {, q
1, Windows 10
4 T8 p8 t* y9 o8 X& g" d+ p" ]$ U
2, Python 3.10.11
$ X; u; Q3 t2 A6 L) H' X
3, CUDA 12.1
' A3 R/ l/ R. s3 Z/ h& ?; e$ J0 V
4, 在python 3 中安装
1 C; Q0 C* w$ w
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
; h/ }% `7 Z4 J; [$ q9 }0 n
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。
) L- O; R) u' L
5，pip install -U openai-whisper
5 v. a: N+ w3 y+ l
这是向whisper 致敬，可以不装
" ^" _' X* B' n( t9 W4 ?
6，pip install faster-whisper
. c& V0 J6 c5 J$ w
----------------------------------------
I$ ?1 B) a4 v! z8 Y7 a" T
whisper 我用的命令行，faster-whisper 我用的是python。
6 ]2 n% |4 z0 i; N8 I; T/ ]
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 K/ N- I u2 B
) Q4 n, x, m, \2 }+ D8 [0 ]" |1 X
----------------------------------------
) h0 S5 `0 M: _5 s
# y4 c7 g" o, e) L
from faster_whisper import WhisperModel
0 J1 F4 C3 M5 g+ T9 B
, B/ g+ ~- s: s5 Y& U k" p
model_size = "small"
" K8 Y4 V& W, A8 `
- X2 z: G+ K$ c' X
model = WhisperModel(model_size, device="cuda", compute_type="int8")
( d; f" _6 ~) | W
7 d* O5 t8 f, ]: e: z4 Z
segments, info = model.transcribe(
' n+ Q( q3 o! G" ]
sourceFileName,
4 g2 \6 g$ }; |1 S
beam_size=5,
) ?4 j2 Q. z" @; I: z
language="en",
# h" W: K( \4 Q) ?) |- @
task="transcribe",
+ V$ u8 i# z- N7 S6 T- _
word_timestamps=True,
# R4 ] D8 a0 `& k2 @
initial_prompt = "Hello, welcome to my lecture.")
. i3 }/ F+ I+ j2 y8 l1 P
2 ?. f% x; I. `, y6 J
for segment in segments:
# J# w# V Q2 g' ]* S; q, a% I
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
. w, t0 R) n. |1 b
% `1 F' H7 p6 Q" m
for word in segment.words:
* u" z }+ R% _4 h' S; Y
- V0 T3 B( u8 i* S! A
----------------------------------------
/ t0 i) p s8 {: U I4 J& O% ~
9 |% h* i! n3 l* A
代码说明：
% K: e! y+ k" F1 S1 w% F6 z
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。
$ [+ ?* A1 k* [, H$ E. Z
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。
: i2 I% B- B, c V# j% ?& ^
2，segment 本身是很粗糙的，做字幕勉强能用。
j, q6 _( f1 j! Y
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。
0 o4 X0 G8 m. q" D m
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
& `) {" b* ^% O
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 D8 {4 D3 q1 |
5，model.transcribe 中参数说明：
+ Q6 Z) h" `0 s+ A/ b6 j% i5 Z/ @) f
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
0 a5 c& c7 K; X$ ` z1 W7 B2 Z1 J
其中
5 \+ v! F" v: S' D% j
word_timestamps=True,
* A: r5 V p- C2 j8 g) o
保证了你能拿到 word，否则是拿不到的
* x5 I. H' I! n0 N6 S* V
initial_prompt = "Hello, welcome to my lecture.")
$ r( k9 H8 X$ {3 A( ?+ O9 A p4 Y
保证能尽可能准确的断句 punctuation，但是不是决定性的。
7 p& U9 Y4 m( L' U! s9 i2 d
其他参数可参考源文件：
4 M3 v9 @/ X: U* o
https://github.com/guillaumekln/ ... isper/transcribe.py
9 O4 }& |( S, b% ?6 p) L
152 def transcribe(
1 M" E {. B1 @5 F b+ U; h U
从源文件你可以看到是支持中文的句号断句的。
/ A$ ^/ N1 K3 ?5 l% w7 z7 G6 K
8 u) M0 p4 u& H- V6 U& E& T! ?
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。
, p' k k, g! h; a) ?6 B8 V) L7 f
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。
; X0 x* \3 l: M6 c+ R
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。
6 j+ t. }5 d" B" a2 m
9 y8 r" l1 e& g. G
; |. K5 N( t, X) n1 l2 o& d
; U+ ?2 t# b& {, N2 B) N" Z6 A4 L
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