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
+ X4 Y. ^2 ]2 X" w. ^) g* l
& ^2 u E" Q& C/ ^* H3 B) 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。
; |' p- I' g% v/ h! b8 l
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。
9 W$ {# Z' ~' b5 u9 n; l( g6 J2 t
----------------------------------------
# X# F3 A' e) |. |
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。
% I3 p$ K' p) H# 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。
. k! j$ a+ c1 n3 z" M' R O- V
----------------------------------------
" F! d3 g8 P4 t1 }/ @
https://github.com/guillaumekln/faster-whisper
1 Y" i9 f5 H8 E6 |6 G1 K9 ^
安装如下：
- _% W: \: O; m1 o/ k# u# s
1, Windows 10
5 n8 E+ M; D6 |
2, Python 3.10.11
: r5 g( ? f ]: Q
3, CUDA 12.1
4 F0 o/ o7 Y; t# ?( I7 r& Y
4, 在python 3 中安装
$ J4 C5 c1 K3 Z
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
" |& |1 f+ O1 b( o/ z: u) ]
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。
2 |% F% H' C8 ]6 D% ~
5，pip install -U openai-whisper
: I1 g1 r8 y$ P. Q* @
这是向whisper 致敬，可以不装
5 B% b2 l8 c2 c+ ~- c0 U$ n
6，pip install faster-whisper
& `2 F# n! S6 k. l
----------------------------------------
% }' ]' U7 W" D/ J& o o$ `7 v3 m+ c
whisper 我用的命令行，faster-whisper 我用的是python。
! C9 L, l6 @3 b; R; W x/ N7 a" W
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：
7 l" l# t+ J6 x/ \
" O4 E! a6 Z) F- x% ^0 P6 E- h6 _+ D
----------------------------------------
R! m% H& ~7 V6 R& g
! W }7 V W# c: ?9 } W, f6 K
from faster_whisper import WhisperModel
8 S) d2 ~; p, a' c& [! V
3 I$ L$ I3 c+ s; V
model_size = "small"
: C4 p' c$ G# D' q6 P1 o
+ ?9 k6 h( ~- V
model = WhisperModel(model_size, device="cuda", compute_type="int8")
9 G/ M/ S6 I" o: u
4 O* m ?/ x9 @5 m4 r: \3 ]
segments, info = model.transcribe(
! k/ x" U3 B/ k" d
sourceFileName,
# L7 \- G8 M8 k& \$ J
beam_size=5,
" n& \, X+ x$ P
language="en",
- u6 k6 q' D1 O( l% Z$ o3 O) @
task="transcribe",
% a4 y% v( y! S* K
word_timestamps=True,
' ^2 `( }& Z- }6 d
initial_prompt = "Hello, welcome to my lecture.")
* h9 p2 t: Q( d- w
+ w6 ^' f% p( d) D* F# `, g5 s
for segment in segments:
' I" r6 g4 H1 N- j6 T
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
8 L" S! t+ m: c2 ^
/ T5 k$ J k/ L3 a7 F+ c
for word in segment.words:
5 \2 T7 O( B5 z! f3 ~
2 X. z$ d8 Z; S# S
----------------------------------------
- L; J/ {& V" L) j( W) X9 T' X
' |& g& f8 p* w' p: D( S* |
代码说明：
( F+ X8 s0 n4 s$ \; c. C9 Y
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。
" k7 k4 q. b* L5 d0 r0 s+ X
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。
6 t9 ?9 h% v4 [/ w# P
2，segment 本身是很粗糙的，做字幕勉强能用。
" S! @& K1 n; f7 q& j
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。
5 P/ M6 n* Q; y
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
& R; g# L. S7 E h0 c9 h- C
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 J2 c- U7 x* h/ s& }* h
5，model.transcribe 中参数说明：
3 x4 ?; {; n& `+ 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
% y' }# Q8 y4 ~! a0 @
其中
; a2 k% R+ P7 T
word_timestamps=True,
; E5 N7 i$ d7 M( |, l, m; U+ n4 B4 B
保证了你能拿到 word，否则是拿不到的
% t' m6 H9 g" X. G" L' k
initial_prompt = "Hello, welcome to my lecture.")
* o6 `$ v+ h+ J8 F/ G* \" g
保证能尽可能准确的断句 punctuation，但是不是决定性的。
0 e, X* x9 l0 t0 ?
其他参数可参考源文件：
2 J& y' E) h# t7 I9 Q
https://github.com/guillaumekln/ ... isper/transcribe.py
/ c3 Z. H# b# K
152 def transcribe(
$ {& k8 A! Z1 D4 Q0 ^6 Z/ |
从源文件你可以看到是支持中文的句号断句的。
+ l. n+ Y" i/ d0 ~1 v1 {
0 A- S7 c( a5 O; }- y( C' O% O- Z2 w
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。
* Z# i+ ~ a4 m; i) I/ B$ N2 H' ]
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。
. O# ~& s4 e- F+ U9 U- ^
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。
5 R. Z6 x, B0 j% n, i6 E
9 b) h! ~4 ?; l
' n) x* {. {# M- X4 f% ]3 Z
2 e8 t. f% U" R" [. W
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