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
6 q- {8 b7 D2 P
/ U m9 I L. s! o, S; t- 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。
- J a- l9 @2 G/ B7 \
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。
( O* ]. `- m: B. n( V
----------------------------------------
, O$ E6 n7 |$ @& r" J8 Z
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。
1 A' i8 d4 V3 z2 d
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。
\- S0 O2 w) d7 M0 W4 E, Q
----------------------------------------
) ^. N, `& Z9 o x+ H$ M
https://github.com/guillaumekln/faster-whisper
% H" B- q; O% B( A$ \: w
安装如下：
7 X- j# Y+ H7 \* P2 B
1, Windows 10
$ l. L6 _: z7 Y% \+ j8 e5 I# K3 n
2, Python 3.10.11
9 e0 R/ q, _6 u: u% z
3, CUDA 12.1
% l; R2 b [" V }
4, 在python 3 中安装
) M8 E9 k) l' m# y/ ?
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
$ R! |1 z+ b$ e# D' C1 x
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。
6 W5 G0 W( l. X
5，pip install -U openai-whisper
& U1 W6 Z. @3 i( A
这是向whisper 致敬，可以不装
2 K# w1 ~: u- q1 g/ }
6，pip install faster-whisper
k- E; q) y$ x7 F6 P$ |3 d
----------------------------------------
$ n' l! R2 z- ~" i4 A& g
whisper 我用的命令行，faster-whisper 我用的是python。
. E' g; V. ~+ ^: b3 N/ e E0 _5 w. m
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：
3 W' x7 y5 U' D8 b5 I
( b: G, T( ]6 q; |. W. P& s9 [
----------------------------------------
8 M0 i7 K, U' U; t
* N. j- I. M. J7 b/ ~
from faster_whisper import WhisperModel
# p+ h/ B7 D" o& B: _" h! x
t9 q$ l2 Q" p
model_size = "small"
9 N: N, V% H' U6 c L
: g* U; d/ y. D8 g' Y, T, y, @; ]
model = WhisperModel(model_size, device="cuda", compute_type="int8")
/ s: P* v) Y: ]
( m; h" @! U; K0 F8 Q+ }
segments, info = model.transcribe(
z* e* p; Z2 ]6 [4 w7 o
sourceFileName,
$ V! I2 c4 ^* U! l! A) i
beam_size=5,
# F9 |- y+ M) [5 B; z7 C
language="en",
) f4 C2 V# N, y+ d: ~) E& t; s
task="transcribe",
! s$ P4 ^& c/ R0 r: M0 }( @0 L. C
word_timestamps=True,
' c1 W% n \4 n' a* g* \
initial_prompt = "Hello, welcome to my lecture.")
1 G" H* T# \" q; i( j" G2 v2 g. P
* M+ B& r6 _: y6 F5 W
for segment in segments:
$ X5 x" S" J9 F, A
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 n0 p9 M! f/ l- g; c
4 `" N, a( j9 e: g
for word in segment.words:
% b6 a) }4 C# c |
, _4 _& V, _7 k# ?! U' d6 a
----------------------------------------
- a$ ]' c7 a# J+ V9 B& i
, Y) W8 y6 o# Y1 K8 H
代码说明：
: H2 z% w/ Q* x; T! B
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。
* V- d. X& }; u. j
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。
* C+ |: U. _0 w8 L" a9 f8 s- P
2，segment 本身是很粗糙的，做字幕勉强能用。
7 n8 S6 w7 [; r+ r. G
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。
# P6 c5 G8 o6 [0 N
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
' o) q# l, I( @: o, L
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 s+ M# M& Q3 ^+ d# n* c( ^7 ?
5，model.transcribe 中参数说明：
9 w" x+ T7 N$ T( [' }0 b2 Q
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
, o; `$ k1 K! [0 C
其中
: k9 f% H# w* k! z! r+ o3 i) b
word_timestamps=True,
! l9 z# B: g2 g, D
保证了你能拿到 word，否则是拿不到的
/ P7 g) I8 _1 u) o% {' | C. k
initial_prompt = "Hello, welcome to my lecture.")
, {* v1 P+ o& F% Q
保证能尽可能准确的断句 punctuation，但是不是决定性的。
* j. c& ]. L/ J: g+ |4 v
其他参数可参考源文件：
) Y3 J& }, p7 X9 @4 b5 t) a6 B- O
https://github.com/guillaumekln/ ... isper/transcribe.py
& }) P* X% k$ v! A; m& g, P
152 def transcribe(
# m* ^) n1 y4 m/ e! Z& w1 w/ D
从源文件你可以看到是支持中文的句号断句的。
B" H( B. B! O# v$ _+ y, H
( d1 S7 S$ _) K5 S) B$ k+ ?4 }! E. g
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。
9 S% T3 c4 M) z3 p3 w5 W
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 Q- e) H6 K& e
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& q2 p. s3 w3 {
5 W+ F0 a! U0 m8 S2 ~$ S4 ?
8 u/ f# _% j* D6 o4 V# I$ I
" ~/ M, V( w: R3 \ l7 q
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