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
$ O: }" B: `. l( N! ]
% z# Y( l- [' R
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。
5 l- g# Q, {3 w( s5 j0 J
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。
; \( t* r: N& `, H: |
----------------------------------------
1 N6 n5 ~. k0 k' _+ K
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。
5 C( D' o/ Y+ G; l8 w' M
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。
/ }0 ?, E8 B# v1 ^, A& }! r
----------------------------------------
0 }" `& z- T7 g% `/ B `9 \, J
https://github.com/guillaumekln/faster-whisper
, j# E: Q) M" H$ f+ H. `! ~
安装如下：
6 R% Q4 c. b, N: \* {, q p
1, Windows 10
8 w: V. X7 i7 U0 T% T# ]
2, Python 3.10.11
& P/ K6 d& z8 D+ A
3, CUDA 12.1
% s$ F. z- V1 Z7 z2 p
4, 在python 3 中安装
, @9 @9 [8 `" t, I' y
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
3 Q; X3 C- K; a
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。
8 f) b' a2 P9 Z# L- G
5，pip install -U openai-whisper
% w5 G0 K, F" N# F5 x# Z
这是向whisper 致敬，可以不装
- m+ l' s' s& z4 M$ w# v
6，pip install faster-whisper
1 |' U' b0 h. v$ z4 I# F- a
----------------------------------------
. q: v/ d/ W( a8 ^( c8 m
whisper 我用的命令行，faster-whisper 我用的是python。
9 U" J' g/ ^6 F
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：
; Q& A( W. ]; e) O0 u! ]
( E5 r) w, t* I) S" p! G1 a8 @0 M
----------------------------------------
# c$ ]4 @+ K+ R
. T: C' I! }1 a
from faster_whisper import WhisperModel
! a# s M4 O! M% T0 H6 @. D
! S$ Z9 h0 u, m' K# C' P
model_size = "small"
* Q, i$ c$ i- f4 y
- Y8 {* n0 n3 l5 l1 L& N: z
model = WhisperModel(model_size, device="cuda", compute_type="int8")
8 y: u$ a- D- W( v5 f
Y+ ^8 Q; X* g3 I' L# w- J
segments, info = model.transcribe(
5 a$ w4 e1 ^1 P6 U
sourceFileName,
. j# i1 \8 e% t' Q# e/ T* _- }# b$ e
beam_size=5,
( s) Y6 V: B4 m7 b% Z9 r
language="en",
8 l' F7 X% i4 ]) L6 s
task="transcribe",
+ q8 \! g" u8 }, A; R
word_timestamps=True,
+ [/ K5 w5 O) |8 F( a. r3 ~
initial_prompt = "Hello, welcome to my lecture.")
: L6 U* _7 _# @; p3 O
9 Y6 V% z) \6 g$ w1 I
for segment in segments:
( ]8 a7 V8 q( c% `/ v a
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
/ z# \; m7 Q( x( x
! Z# Q0 r2 I/ M* L" ~& l
for word in segment.words:
1 w$ c3 y! s* ?& K. m. }/ {
! ]7 q3 s, b" Y! Y. @
----------------------------------------
2 j q. z9 O. h2 c# D
$ |- y9 ~$ e- J" z+ i
代码说明：
- N. H4 }& H, O& `" V7 H( o2 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。
" f8 j" R3 c% D5 y0 U. f
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。
4 V$ u8 w" I3 v0 V0 l. J
2，segment 本身是很粗糙的，做字幕勉强能用。
2 h/ ~$ F- y, D$ x& C, z$ U
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。
1 s" i) r, e* Y- y$ M! `: A1 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
9 G/ D& N0 c+ `4 ?9 ^9 l" J
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
. J: y! L# K6 N* D* K, i9 V
5，model.transcribe 中参数说明：
# w% x( v1 S6 {# x
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
8 N" {% I5 c1 @* g: S1 M
其中
2 E, J D) f' E8 ?' y* z5 o9 Z
word_timestamps=True,
1 p+ L% M& ?' `" R. Z e6 j5 K' m
保证了你能拿到 word，否则是拿不到的
6 Z! J3 C4 d9 a' u8 Q N& x
initial_prompt = "Hello, welcome to my lecture.")
, E& p S+ {3 G3 n/ o |" O
保证能尽可能准确的断句 punctuation，但是不是决定性的。
' z. \9 r* O* P; B, k& L. Y" S
其他参数可参考源文件：
; _ o# f4 b1 R1 H' F# R6 V
https://github.com/guillaumekln/ ... isper/transcribe.py
% l3 l- `) a8 X3 }# I7 O, X6 s
152 def transcribe(
- m6 q$ z: M% H0 H k" x
从源文件你可以看到是支持中文的句号断句的。
. a b% w4 z* D9 F9 H5 ]& ~4 m
8 |3 x' q* i& I
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。
# u; R. V0 Z! i7 F$ l
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。
2 I9 _% F$ q/ _' `- B/ T8 N
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。
# z) b5 X H; j& J
4 Y' v% n$ i! }! X- f3 C" B) T
( ?# f, |$ _6 a2 e
$ B! \4 {: t; Q& q# A _
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