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
M5 W# S$ H: A, m! ~
6 N/ b5 ?* e9 U
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。
6 s: T+ @* D8 Q$ n4 a5 T: `
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。
) D5 E+ p0 w9 r4 d2 F' O
----------------------------------------
S$ v0 T/ j X
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。
7 K' s" g( U3 v& k
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。
6 M! {2 P% C2 M# {, @
----------------------------------------
/ G, K# ~! N: R4 F' l
https://github.com/guillaumekln/faster-whisper
+ P! B6 d2 `3 V0 @+ ]/ \
安装如下：
% u5 V" ]1 C' M* e% z* k0 F; w, p8 S c% t
1, Windows 10
* S N2 Z# m6 F; p/ k- v
2, Python 3.10.11
& }& u( V. ]% v m9 f
3, CUDA 12.1
' r- l8 S) P) B4 b& \6 N
4, 在python 3 中安装
4 U7 c1 D" Y$ I: |* u: T$ V/ W. y- ?% T
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
, H2 q+ G/ B2 u; g2 H
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。
N) }# @# `7 W; y2 K
5，pip install -U openai-whisper
. ^. n) S: `* n9 z; Y2 |
这是向whisper 致敬，可以不装
! z; ]. v) \9 ]
6，pip install faster-whisper
8 D; `/ E: {% J7 B: ~0 y' |# {
----------------------------------------
" b6 z3 D8 a* z! h) X: I
whisper 我用的命令行，faster-whisper 我用的是python。
1 h) n: {, f+ w; T1 `% ^( ~8 _0 Q
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：
8 M9 d5 h- R& A+ N
" [2 b; M! C6 H6 F `' L
----------------------------------------
$ P5 W# p, k9 E9 j5 D
0 T. R e: }# f6 {
from faster_whisper import WhisperModel
7 o: |$ H1 w3 ]
; g/ o$ }- o, L; ]2 L$ x# }
model_size = "small"
1 ]4 s* W) G# a, b9 o+ f
# ~. ~7 f9 `; n0 C1 B
model = WhisperModel(model_size, device="cuda", compute_type="int8")
3 X+ E4 `* v S9 _ m: W: B
+ A, \& M3 j' y/ ?
segments, info = model.transcribe(
9 @& V; [. U, l' Q% u! f* [! y
sourceFileName,
# A. [; M6 F6 M; m1 `0 b0 c0 k
beam_size=5,
/ K9 {* d$ ~' X1 o, b) x
language="en",
$ z4 Z& |/ B; E: s5 c$ j: R9 D
task="transcribe",
1 Z0 s. ^1 k7 Z( t: l: E6 L
word_timestamps=True,
# r7 Z } X1 h* M4 w/ `
initial_prompt = "Hello, welcome to my lecture.")
4 w3 t+ |8 J1 {
8 L' a3 M) Y1 l
for segment in segments:
$ _, T; e0 g- H# h3 P$ W
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
. |/ m! Y1 A8 o, E6 s0 [
/ `" Y' V7 w% L4 O% T
for word in segment.words:
2 y# R" y1 T0 ^) J4 d
& ~5 A) a( P' `# x2 d- P6 C
----------------------------------------
9 `6 e& W& T* @8 @7 o: P
, f4 m5 U# o, E r
代码说明：
6 s1 t% M' _8 L* l+ s# 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。
4 l4 P% H% N' Z4 _! Y3 y4 L
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。
v- _# q6 H5 M( P/ R8 N
2，segment 本身是很粗糙的，做字幕勉强能用。
- W0 t6 |- C+ l0 {9 a% l) Z1 N* L
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。
0 h6 k: {! Q+ F( f2 ?
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
: T. C" E) Z6 }7 I; [/ G* o
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
) x1 h+ w5 D0 G$ y; ]
5，model.transcribe 中参数说明：
8 e: N ?9 @! t* t& V
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
3 l7 m0 U$ k, F3 @5 |0 S
其中
! ]3 ^. b) V( V( t* I% c
word_timestamps=True,
3 X# A' a7 N* l2 d* {
保证了你能拿到 word，否则是拿不到的
0 c/ h- ~/ m7 }1 N5 _
initial_prompt = "Hello, welcome to my lecture.")
/ o/ v; n* K: P( V
保证能尽可能准确的断句 punctuation，但是不是决定性的。
9 J" I+ |1 f' j+ A7 J {$ o
其他参数可参考源文件：
: G. Z8 K$ }" ?6 X2 t* k
https://github.com/guillaumekln/ ... isper/transcribe.py
6 z& V/ K8 \2 ^* i5 n
152 def transcribe(
/ k8 P. H ~( W( j; O: b) y! N
从源文件你可以看到是支持中文的句号断句的。
! a1 Z# }0 _* @. p0 y1 o9 Y
( S8 m( A! c; a& h$ N6 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。
4 x' z% F" Z- k) p1 ^
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。
* i& s8 C v0 j1 F* e* m. T
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 [4 f. n+ x+ M
- D* z) J# y( O2 m
. d" V3 ~8 O+ }0 d8 G
+ D! }8 W' m7 M
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