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
! N" M* Q& s$ b) C6 V" K" y, @8 Q- e) Y$ T0 p2 G. Z% v% 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。
1 m6 o: ]. X2 B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 s# x; {' T8 K; G( I----------------------------------------* |$ ]" w! t$ o+ ]" G7 F: ]" ~
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。
4 v3 t1 w) c  w; a8 D6 r2 I' W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。6 g9 V) X3 o6 B2 r  s
----------------------------------------
9 C/ z3 J/ f$ H) Ehttps://github.com/guillaumekln/faster-whisper2 b, D0 g+ Z: T9 b" q; l. ^
安装如下:
6 [/ i3 S: e" e% E/ C& z0 G1, Windows 10
* Z3 ~% z6 R7 }0 v: l2, Python 3.10.11
$ X+ N% z6 F/ U; U/ H0 C; b* r* V3, CUDA 12.12 c1 E# I5 \( M2 Z! c$ P
4, 在python 3 中安装
' s: ?% u7 I* ]9 @; p: Qpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117) F1 a( _; s: Q% h; P! B  {: l3 c& C1 Z
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。
1 A! Y! U9 k. ~8 |2 v% e8 @( C$ I5,pip install -U openai-whisper
) O: U. I& d# A8 ?# D# ~这是向whisper 致敬,可以不装* l) n; `4 U% ?8 ~. D
6,pip install faster-whisper/ w7 E) D# b  P4 i0 l0 C2 n
----------------------------------------
3 H# V3 M* W* s9 O; Xwhisper 我用的命令行,faster-whisper 我用的是python。
' G, I% q! t( Z  ?: A, b  y6 V( [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:3 Y- ^3 |2 c; U, g9 h
1 q. n0 i) C9 e& G: l' k) |. K7 k
----------------------------------------
* L4 `& t0 `, [( X7 M3 S
# @6 Q0 t4 G, m! H' _1 n1 P5 r0 {from faster_whisper import WhisperModel
$ w) w4 k( N7 `( y: H+ L/ U0 }# Z" ~! E* w- g0 k% S
model_size = "small"8 k0 W+ @9 l" K# }+ e3 q7 N, S
! A4 q& W) j" S1 L
model = WhisperModel(model_size, device="cuda", compute_type="int8")
$ `* _2 y% R0 D! b- e# }8 q! H9 h& s) n2 _7 C, G2 J, e
segments, info = model.transcribe(0 F' s- B7 G' Q, B  N
    sourceFileName,
' C2 c$ |. J  q+ D0 g! L    beam_size=5,
) O- ]% W9 y, q% @8 k% a    language="en",
, w; g& y- @/ a! ?2 M8 T    task="transcribe", ) {9 Z9 G0 Q' {. l3 S0 h4 Y" S
    word_timestamps=True, - E6 V9 r; t6 a; ]6 [# Q
    initial_prompt = "Hello, welcome to my lecture.")6 v6 _$ r/ n/ C
5 u$ ]- H5 H. [" \! x, ~1 j& w
for segment in segments:
& {: h7 |! J1 T- k2 {$ b    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
, j3 \: S& ~0 G( c5 V3 O. d2 V  P
        for word in segment.words:
% w( K* f8 H8 |2 G$ ?* o4 V                ) U- Y- R, Z6 R
----------------------------------------# }- t" o  J: B( ]; [4 ~6 i( {

1 a( }* H' ?# K. q% d. d. l2 a' Q代码说明:' I7 v( K% G" O, O+ {3 a+ t, C/ W0 V, T
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。
, I, L" o$ m2 L5 I% g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。
" b9 Q9 U) f" Q& d% Y2,segment 本身是很粗糙的,做字幕勉强能用。  |' V1 h& v* T" V
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。
% {6 p! O' t9 b+ W+ f, W; T4,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
) I0 |7 Q# D: g- n" |* h比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
; h2 W$ ~$ z0 @2 F; Q+ s! X5,model.transcribe 中参数说明:% @9 k' w% x! g4 x8 z
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
" }/ M& p8 F3 x( v/ c其中
+ l5 N  g' u( `) A: B+ `    word_timestamps=True, ' r* S  |% W3 `) X4 o+ U
保证了你能拿到 word,否则是拿不到的: s) u4 k0 b$ O: d$ l, B7 S
    initial_prompt = "Hello, welcome to my lecture.")
; B7 V$ V" }$ `9 H+ a4 a3 v) g' b保证能尽可能准确的断句 punctuation,但是不是决定性的。$ W+ j- Z; F. N2 Q, q
其他参数可参考源文件:
; `3 O9 B2 U( f3 y5 N: ahttps://github.com/guillaumekln/ ... isper/transcribe.py
2 @0 G2 ?9 e  D4 Q" B8 F2 A152 def transcribe(5 r6 L* u2 Y% F0 K  |
从源文件你可以看到是支持中文的句号断句的。
/ J) f# g( J' N. |
9 R, D" n( |2 b8 O6,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。3 i7 b$ U( @" W1 o$ }, M
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。
- a! `+ @7 i) B: I8,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。
, B8 v3 \6 A6 K+ i! N. r2 I& O7 m
/ M4 N8 l# f( D" W5 g ) S# d2 x9 H. a/ ^& J/ D

/ C( z6 F: Y- T" o
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