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
+ ~& ?& k8 _1 `' m/ h5 x5 w5 O* \
7 V, B; ^. i1 |- T% r8 D h
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/ z/ T$ c2 w, h
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。
! _; p* p; Y! x* Z& C5 I
----------------------------------------
( {$ O3 M/ T2 S- G O% g, `
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。
( B3 |& R) b1 |/ [- V3 t4 I' p
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。
1 a7 d% B6 F3 g" B5 v s L9 p/ @, _# w
----------------------------------------
% F; C/ @6 l% O" N# ?
https://github.com/guillaumekln/faster-whisper
9 ^. V8 S1 J' G# U) E* s
安装如下：
; f: i# q6 H1 n+ X6 }
1, Windows 10
& z1 p0 |6 M" t4 h2 Z/ x
2, Python 3.10.11
) D3 h% q2 N. B* e% S" A1 V
3, CUDA 12.1
* I- \$ F* t4 F2 T* @
4, 在python 3 中安装
% L& U, W% ]- k: B2 h0 E9 {
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
7 s W8 q# u4 k) @) G& U4 H( e% ^ `
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 L0 ?/ _9 |6 [# \* r
5，pip install -U openai-whisper
x0 E" j7 W* f+ i0 Z
这是向whisper 致敬，可以不装
l4 y8 F# \- T
6，pip install faster-whisper
8 ~& ` I# {) v; k) i
----------------------------------------
0 d0 c6 y( }( b! R( }0 t* O( t
whisper 我用的命令行，faster-whisper 我用的是python。
6 \& h; e }; {1 g0 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：
9 c% P+ b$ z3 o5 v
& T/ R2 K' M7 B, W
----------------------------------------
$ v; v% |4 x; d; E; S
( ~$ y) A5 c4 @( j+ A1 e
from faster_whisper import WhisperModel
- ~2 q$ `, _ N! \! E
0 L' U. s% s9 R; X$ B& _& h2 {
model_size = "small"
- T4 B4 G7 S1 p5 I/ ]3 |+ L! }6 C8 I
; S7 v) h6 H) i
model = WhisperModel(model_size, device="cuda", compute_type="int8")
3 X* M M( L9 N6 G. s4 Y. Q
+ T+ P% d1 u3 }
segments, info = model.transcribe(
# @; M' f( b' r5 H% b# ^! A
sourceFileName,
- L- k5 k p. w
beam_size=5,
; r3 R x8 x$ O; G; s |
language="en",
; S% Z8 V8 S, ]& n2 ]
task="transcribe",
: ^) \- M, }3 Z1 r& d- x- V6 Q1 U
word_timestamps=True,
. L/ ]) F$ ^+ @& h2 N& @2 t
initial_prompt = "Hello, welcome to my lecture.")
7 K1 \. ]) W$ V9 W
9 S, K+ d0 c" s. v8 v( Y
for segment in segments:
6 R8 \3 |1 }1 H- n i
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
( M8 r/ T% G. t: }
' d2 R' J' M" ]& Y
for word in segment.words:
- m7 ]0 A( N# l7 X
0 {& V+ O5 k- c
----------------------------------------
* t' ]; M3 c; ^1 D
& N0 |7 Z, b' a' V" N
代码说明：
/ @ u5 W% O5 W. s
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。
$ b7 }$ ?; t5 A0 }( H
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。
" `. \- q+ b. h1 R
2，segment 本身是很粗糙的，做字幕勉强能用。
' g1 ^, N" V2 _; b
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。
( d/ k2 g ?. s$ a8 y% C5 O
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
& |% j3 j( ]6 C( ?6 I) R; U: y6 I
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
) k" e, D F0 P7 i# x# j
5，model.transcribe 中参数说明：
0 H9 e* O* u5 Z. k$ t
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
; g" [5 R! G% t1 ^6 H5 N$ _! h- ^
其中
8 J; ?- Z/ X4 A5 {5 S
word_timestamps=True,
) N7 i' s1 v# h2 i
保证了你能拿到 word，否则是拿不到的
/ Z3 J4 I v, q' ]/ H. D
initial_prompt = "Hello, welcome to my lecture.")
% J" d# @( ]& n# w
保证能尽可能准确的断句 punctuation，但是不是决定性的。
/ G7 g( Q/ ]5 J! ~% `7 h3 w
其他参数可参考源文件：
- l2 N" m" D) `' m( U5 F7 [. Q
https://github.com/guillaumekln/ ... isper/transcribe.py
+ R% h4 F- V$ ?/ H. s+ G4 e7 f% f; |9 O
152 def transcribe(
" d. P3 p3 F/ ] h3 I
从源文件你可以看到是支持中文的句号断句的。
4 v: W% \. }/ S# L. x3 }, J. l
5 ?( a, o( C( ?8 p( X% 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。
5 _1 {- X5 I5 h% R
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。
* x% _1 \7 S( Y& o2 t i9 F
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。
( |" B. ]7 w' z, @5 k4 l, e
1 j: W* L& [5 T6 r
4 j* i0 X1 w& j6 Y) h. Q+ d0 K
7 u& [6 N1 o- ~5 w3 q( E: Z- X$ Z- i
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