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
' v' z& h H5 O! i# ?" o9 V
5 k6 I9 z `8 }/ G8 @# @. t7 j
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。
+ h: S. `1 H' W
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。
0 b7 ] k" Q. c6 }' H
----------------------------------------
+ Y5 T% C2 P4 _4 E/ R; h* c/ V7 p
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。
8 V! o8 c( |1 n2 V+ ]6 j$ z
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。
8 G/ f) z& I0 T+ y0 l
----------------------------------------
( G% u- x" @( Z$ v. E
https://github.com/guillaumekln/faster-whisper
9 G o. d5 E& u
安装如下：
& `- g- O: M' M, k$ f
1, Windows 10
% W( Q8 ]) F3 x/ Y8 M
2, Python 3.10.11
& |! F, A4 @, s; S: l+ P( q& x1 @2 p
3, CUDA 12.1
- P6 v+ R! k* I
4, 在python 3 中安装
( h" A) X y" I0 L
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
$ o$ C9 \, }; a* @8 K
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。
9 W2 R% c8 p R) a. F8 `: b
5，pip install -U openai-whisper
4 w8 v+ p0 Z# j
这是向whisper 致敬，可以不装
' i7 h& r2 K( F& e
6，pip install faster-whisper
$ ^6 k+ \8 N/ f/ `
----------------------------------------
3 @. ^0 i- @% t( [$ ~9 `- u' T* H
whisper 我用的命令行，faster-whisper 我用的是python。
$ {* r; _5 _5 C# V) C+ A- n7 `3 o9 u
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：
1 E) K% ^5 t( d( z8 G7 w
0 Z+ d' l9 ]/ [6 n$ H9 D; Y
----------------------------------------
# U. t. Z1 V3 i3 P5 y' q/ F
5 R( P. z9 o }6 r) y$ X9 d! q9 M' L3 ?
from faster_whisper import WhisperModel
# e2 H' t6 e5 B0 }9 C: I/ m
# e; J% [1 V; D
model_size = "small"
7 y8 P3 d8 ?9 b4 ]# F# |8 D& f" [5 T3 i
, r P+ M2 R) h# R5 E5 E; g# _
model = WhisperModel(model_size, device="cuda", compute_type="int8")
5 a/ k. T/ o% I
" {: R |5 ] T# K# M& d- G. g
segments, info = model.transcribe(
. ^! ]3 M y6 `
sourceFileName,
- J; D2 N: F) ]/ S9 e
beam_size=5,
5 |9 Z: w+ L+ o. h4 w, K: g
language="en",
2 Z" a- t% u& r8 E
task="transcribe",
1 T: m. ?4 G0 ^: `, n: Y. u
word_timestamps=True,
8 t' l/ U r" L$ Y& U
initial_prompt = "Hello, welcome to my lecture.")
- C3 f& d1 K0 ?
# i0 Z/ @* t0 Z2 l9 f
for segment in segments:
% Q% r2 C# ?( U( |
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
) ~) p' J3 E$ z; s9 ~9 v
. a+ w/ @( P4 w. \# }
for word in segment.words:
0 V8 U, {9 I- o! _! r
" C; Y6 H9 _. v4 R+ i& \
----------------------------------------
% @% g+ a' ^& @0 r& y! X3 m
6 K9 c- N6 h+ S. t7 T
代码说明：
' K' \4 C+ o; n% ?5 T" s2 {3 C) U
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。
& `. N: ?1 |5 f9 {: `& E
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。
" k b6 e( T% I8 M
2，segment 本身是很粗糙的，做字幕勉强能用。
- x7 x6 h: \1 r
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。
2 o7 X% Y- _% O% }2 n! P1 W) K
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
; d- r; c# W& d' `0 u$ L6 ^, ]7 {! ~
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
9 G# b% W1 T0 @6 {% M. D/ w
5，model.transcribe 中参数说明：
$ F9 u S0 ?0 H/ F$ s
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
' V! W: O! ^1 K! |
其中
' r) Q+ ~: h" J, e* {1 l
word_timestamps=True,
" R% |2 H. Z/ }- ~ E
保证了你能拿到 word，否则是拿不到的
& I0 V4 e: u W1 |% m- F* E
initial_prompt = "Hello, welcome to my lecture.")
* L+ l' g: R. a; y9 J+ r, N* P- d
保证能尽可能准确的断句 punctuation，但是不是决定性的。
) x( _, r4 \6 U2 ~2 O
其他参数可参考源文件：
$ P7 u3 Q2 F; A' I" Y! e
https://github.com/guillaumekln/ ... isper/transcribe.py
9 e# }) [+ r" ^3 S
152 def transcribe(
$ S4 \: `, D2 n6 V1 R( I
从源文件你可以看到是支持中文的句号断句的。
. a' f, V3 X7 ?+ ^: v& a
, X8 K) H* R5 S! s& h/ z; B
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。
' ~9 r) Z6 Q" {- W' ?) [% I
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。
1 E, S6 g& J4 a; ^$ B2 s
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。
$ J4 }: }+ T( W W) t
' U) m2 o' b! U3 E
+ V$ |7 W5 C6 F
$ j; t9 _% B" E, G
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