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

! |1 Z  v3 E& r- M" x% E
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。
; Z, E+ D8 i5 v4 j4 _! ]% ~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。
----------------------------------------
: J: ]6 y5 c/ z3 i9 `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。
6 o' U! l% U# N* P3 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。
9 C( \9 R* L: p----------------------------------------
1 t! a# E9 |/ E' C$ M; Zhttps://github.com/guillaumekln/faster-whisper
安装如下：
) W/ k8 r, T3 q: Y% Z- R1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
7 o' }: V3 G7 t* _% l; V, }, c* n4, 在python 3 中安装
' m9 }3 ^* V" R5 b4 dpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
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 N* G/ e: J( \+ u5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
- d, }% Z& D  owhisper 我用的命令行，faster-whisper 我用的是python。
/ I9 J7 m2 m/ j4 o3 N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：

----------------------------------------

from faster_whisper import WhisperModel

model_size = "small"
- n. v" Z0 c" w3 M; f3 c6 t6 J
model = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
6 S5 ^8 u5 t* \2 b  X    sourceFileName,
    beam_size=5,
. p+ }3 G/ A# @    language="en",
    task="transcribe",
    word_timestamps=True,
2 g) ^6 Z) `3 }4 F    initial_prompt = "Hello, welcome to my lecture.")
7 Q, D9 V. ^6 `, a" Y! @) f
for segment in segments:
9 m$ r6 ?( U8 y! m    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

0 {, L/ e/ V1 V+ Q) b        for word in segment.words:
               
----------------------------------------
; a' O! e4 _8 H' X; L
5 s) p5 ^1 ^7 U0 N1 O! b代码说明：
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。
3 Z) N" o* D& H! 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。
2，segment 本身是很粗糙的，做字幕勉强能用。
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。
6 w5 h) Q) E8 m( z" _) z+ h4，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: F$ `. ], F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; D  I$ w1 }* d$ C5，model.transcribe 中参数说明：
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
其中
: F# L/ `, J; @' ^# x3 v& w    word_timestamps=True,
: N/ i; U$ f0 V' @; g" Y保证了你能拿到 word，否则是拿不到的
8 A3 _8 D, n% A: `$ [9 V2 k" P2 z    initial_prompt = "Hello, welcome to my lecture.")
' y+ N6 @7 d$ `" m; n保证能尽可能准确的断句 punctuation，但是不是决定性的。
其他参数可参考源文件：
. R& Q( ]* s8 i& R# o; shttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
$ ]1 B- c7 `8 A& s6 {' `# R从源文件你可以看到是支持中文的句号断句的。

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。
3 z# ~; J6 I, ]% I/ V8 p( |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。
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。

$ V- ~5 }: g9 B

---

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