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
7 E& g& o, [! F. a9 x4 I
2 Z' y# Y! l. N# o
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。
9 y7 `! z1 f' m% a& U" M
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。
) r- Q5 O- @1 D( w" H
----------------------------------------
( K) @$ k+ T+ [
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。
U; N; r* G+ ?) C
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。
# A3 G. v& H9 N# T q5 G, a7 J
----------------------------------------
+ P- G$ {9 P+ l* f
https://github.com/guillaumekln/faster-whisper
" T% r/ p* u4 a. z, S3 T/ b: h
安装如下:
: A0 x# c- V! l5 |6 D! G
1, Windows 10
$ ~1 k5 M) l8 a. b: f
2, Python 3.10.11
3 R5 u# L; n5 ~$ u; Q
3, CUDA 12.1
* x# h" o8 h& C$ T
4, 在python 3 中安装
6 D$ r8 f$ _8 l3 e
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
. y k4 x. @$ h( Z4 B3 K" T7 H! u: c$ K
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。
- J9 \- C( \* b1 r
5,pip install -U openai-whisper
. c0 s: z4 Z( r
这是向whisper 致敬,可以不装
$ q0 E2 k) L6 G! T0 g
6,pip install faster-whisper
- s- i# G, B- f/ ^3 R) P& O
----------------------------------------
" D+ V7 _, F) {. Z' G3 w( M! j: h5 m
whisper 我用的命令行,faster-whisper 我用的是python。
" V4 J$ v0 T" K/ W! T6 k: P' y
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 W& c4 K- P# U0 i4 c( o2 q
+ h7 n# F3 W5 v2 [8 H. [7 r9 N' N
----------------------------------------
' S( L- @! W% ?" M: H# D5 a' Q5 f3 n* k
2 N: S) q9 k* P9 y1 v/ l$ h
from faster_whisper import WhisperModel
( b2 K+ @4 {; i! O- Q8 B* K
6 k0 W4 D* n% K% B8 l
model_size = "small"
3 e' I' R) {& X$ r+ E3 R
0 G- ?& @9 m9 U9 V
model = WhisperModel(model_size, device="cuda", compute_type="int8")
( `* O. _$ P7 B$ z) {5 m
# ^" x$ I. a0 g$ o9 _% x
segments, info = model.transcribe(
& i5 g: E/ O& j U* [
sourceFileName,
& y0 Q% F7 e' t
beam_size=5,
" ?0 L! [$ j! I9 z" f+ ~* u
language="en",
2 h# h V4 \9 K6 j( g4 |
task="transcribe",
5 k+ [. B& M& O6 d
word_timestamps=True,
2 q; ~* o% q" a
initial_prompt = "Hello, welcome to my lecture.")
+ q+ L% |3 r% k2 {/ Q# D
6 O5 j9 I, H0 r$ a3 E+ U
for segment in segments:
/ g4 i) c2 e: J8 a$ L
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
* ~5 x! K; Q# `* D+ T) f7 {
3 `* J3 V) h: x- J2 q1 c
for word in segment.words:
/ n$ T. u! |" s6 P
. c! y1 f6 D& J3 Y
----------------------------------------
/ D2 {" N( {7 n
. s s/ I: Y, p& a6 w3 H
代码说明:
0 H) j2 }7 w I1 G |6 C A- V
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。
, |# P C5 ?- c5 }- A" l3 p6 d6 w" I
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。
6 R5 X; J2 Q# D ]' N
2,segment 本身是很粗糙的,做字幕勉强能用。
$ V$ ~: V7 O0 E' u. q" ^- @
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。
& o& R) R$ b6 r# V0 R7 E4 u
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
I4 D& V2 W7 j
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
G5 C$ ^/ v8 w9 C, t
5,model.transcribe 中参数说明:
3 I' r% X3 q9 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
5 M, }* f4 |2 p3 U$ u; l
其中
/ I* D6 h, k/ Z' E. o
word_timestamps=True,
! X/ k6 @% o% E: e$ E9 q, L
保证了你能拿到 word,否则是拿不到的
; p" [: X$ ]% B k: ~" K
initial_prompt = "Hello, welcome to my lecture.")
" t! }" D* }, b$ o) n9 S5 Z) g0 X
保证能尽可能准确的断句 punctuation,但是不是决定性的。
3 I! M% l9 q: U+ B Y, I2 `
其他参数可参考源文件:
' @8 `, W F. [, G9 R, n) B
https://github.com/guillaumekln/ ... isper/transcribe.py
) B/ @" t1 U7 u7 p
152 def transcribe(
+ d9 U# z. V5 ^* a9 G$ @% R) u7 C4 E
从源文件你可以看到是支持中文的句号断句的。
; _) l# A0 w0 `& H& c# v
" i* B( I' Q. L; `2 |
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 `8 ?+ b: M; f
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。
. ~1 E7 \$ H- c1 M* N
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 |0 k9 u2 U' O3 f& `
7 y; p L- H0 Y- ]) k
" O; {9 n8 ]7 A5 y
' o0 {- K. w# e2 [- n7 b) C
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