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
5 t% p# A% O G3 o, H4 t
& Q4 n, L* v( }+ P) q0 W
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。
! p9 y* Q" w) Z3 P5 E3 U
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。
3 \ f9 U2 e# n7 Q( }: m( }
----------------------------------------
/ Z4 \; B1 Y& u6 }3 }
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。
2 |$ o% X4 m1 n+ t' Q8 x( b1 S, h
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。
. h1 k0 L6 h3 ^, q
----------------------------------------
" r7 R: w5 i" B/ r
https://github.com/guillaumekln/faster-whisper
2 u2 u# u8 v0 n: U# b& v! ]5 f
安装如下：
4 @' j, k h7 H/ ~
1, Windows 10
0 L; P* \8 h6 t2 O# a% F% s
2, Python 3.10.11
* j; j b4 z! E3 j+ p% W$ L" G
3, CUDA 12.1
" R; @* `( r5 u5 H3 m+ q( j. J
4, 在python 3 中安装
2 d7 O: l9 Q4 f# [" T
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
+ w4 B7 z+ Z* w% d
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。
* e% a" ^8 z) `1 b6 d
5，pip install -U openai-whisper
s' C0 G, k% ~# |6 E
这是向whisper 致敬，可以不装
: `/ r" D3 c2 ^# d- P
6，pip install faster-whisper
8 Q* `3 U( z. R# ^, g: T' k
----------------------------------------
( W( I3 S4 I( ^# Z7 U( M
whisper 我用的命令行，faster-whisper 我用的是python。
6 M- E( w* z; e5 v6 }, {
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：
; }5 Y; u y: i9 G
# V! s: h& p$ N8 J6 t: M( Y: i
----------------------------------------
: `, H7 k8 _8 f+ t" R1 q) J# G' p! i
' b: P+ f: _ G# E
from faster_whisper import WhisperModel
' s5 T0 p, J5 g3 s
, ]" t2 o5 m5 d% ^7 k* F0 P& G
model_size = "small"
9 K* y% j3 I. |8 v* [( x' z. Y
Z/ Y$ B8 A% h/ [' }5 y0 L6 D: p, z! O8 P
model = WhisperModel(model_size, device="cuda", compute_type="int8")
9 w3 A R" z: ~9 i: K8 ]" i
4 Q. v3 q. A* i+ k* k1 ?
segments, info = model.transcribe(
! n, U) {6 K6 b) u* \6 ]
sourceFileName,
* x5 P* Q! f8 S) `" U) r4 H6 [
beam_size=5,
6 m! }2 e! Z8 c, b: V: Y) [# D. }
language="en",
1 x' k# O1 k% |6 M9 t: F
task="transcribe",
3 ~2 T1 l" }$ g
word_timestamps=True,
3 d8 g) Y" G$ d6 h- o/ }
initial_prompt = "Hello, welcome to my lecture.")
) B) _% R" I8 l. o
7 C- u. n- f( Z! r1 G6 I$ c6 C
for segment in segments:
& h4 n' m5 p' H4 ^
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
* D0 ^. q' S' }" ?
, P, p- ^. [( w( }
for word in segment.words:
* K; S0 }9 u# m" \' ^: ^, j* |
6 W, ?9 A4 J( f
----------------------------------------
1 M0 T: G. X' V" x& Q+ N
1 i# x8 \( G8 ~- w
代码说明：
3 G( v0 d+ Y( O+ P0 \
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。
0 E3 |) ]0 _& D* E1 i; }; w( \' 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。
: F$ `; s3 n( L" _
2，segment 本身是很粗糙的，做字幕勉强能用。
9 g7 n* _) h2 M8 w6 z
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。
" D7 C$ ?' W2 ^, s5 m
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
& M* e0 ]4 V, w2 j6 u
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
! s& s; f" c6 U1 h( |+ f
5，model.transcribe 中参数说明：
. i+ e2 K6 |0 t1 C+ {7 a% q8 e8 H: t m
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
. X; T1 z4 D' L* j; T5 W
其中
# y+ ]$ s+ b/ i3 R' i! Q
word_timestamps=True,
* C, W% J/ Y, q- l
保证了你能拿到 word，否则是拿不到的
3 h# ?5 M3 |$ I4 W3 r+ l, t; ]
initial_prompt = "Hello, welcome to my lecture.")
' e* F9 R* z5 @4 v2 _/ s2 F
保证能尽可能准确的断句 punctuation，但是不是决定性的。
! K8 ], K8 {/ J- R
其他参数可参考源文件：
# K8 P- U8 q1 X9 x, V/ }* w
https://github.com/guillaumekln/ ... isper/transcribe.py
3 n s* n7 J+ x+ J2 ?% z+ d
152 def transcribe(
4 ` }1 _! j- X
从源文件你可以看到是支持中文的句号断句的。
# a; K' z2 R- ~: n, e" v
' D" K, G# G0 y6 n: m
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。
8 I- X: ?+ W( y) u) ~
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。
* {& f$ t B: k
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。
/ T! m" o1 F/ m
- j% ~7 Y3 P7 n0 G& t; ]# j
. r! w& X9 U. p6 c
* r9 j9 g0 x6 m; [ s
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