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
! N" M* Q& s$ b) C
6 V" K" y, @8 Q- e) Y$ T0 p2 G. Z% v% 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。
1 m6 o: ]. X2 B
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。
7 s# x; {' T8 K; G( I
----------------------------------------
* |$ ]" w! t$ o+ ]" G7 F: ]" ~
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。
4 v3 t1 w) c w; a8 D6 r2 I' W
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 g9 V) X3 o6 B2 r s
----------------------------------------
9 C/ z3 J/ f$ H) E
https://github.com/guillaumekln/faster-whisper
2 b, D0 g+ Z: T9 b" q; l. ^
安装如下：
6 [/ i3 S: e" e% E/ C& z0 G
1, Windows 10
* Z3 ~% z6 R7 }0 v: l
2, Python 3.10.11
$ X+ N% z6 F/ U; U/ H0 C; b* r* V
3, CUDA 12.1
2 c1 E# I5 \( M2 Z! c$ P
4, 在python 3 中安装
' s: ?% u7 I* ]9 @; p: Q
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
) F1 a( _; s: Q% h; P! B {: l3 c& C1 Z
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。
1 A! Y! U9 k. ~8 |2 v% e8 @( C$ I
5，pip install -U openai-whisper
) O: U. I& d# A8 ?# D# ~
这是向whisper 致敬，可以不装
* l) n; `4 U% ?8 ~. D
6，pip install faster-whisper
/ w7 E) D# b P4 i0 l0 C2 n
----------------------------------------
3 H# V3 M* W* s9 O; X
whisper 我用的命令行，faster-whisper 我用的是python。
' G, I% q! t( Z ?: A, b y6 V( [
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 Y- ^3 |2 c; U, g9 h
1 q. n0 i) C9 e& G: l' k) |. K7 k
----------------------------------------
* L4 `& t0 `, [( X7 M3 S
# @6 Q0 t4 G, m! H' _1 n1 P5 r0 {
from faster_whisper import WhisperModel
$ w) w4 k( N7 `( y: H
+ L/ U0 }# Z" ~! E* w- g0 k% S
model_size = "small"
8 k0 W+ @9 l" K# }+ e3 q7 N, S
! A4 q& W) j" S1 L
model = WhisperModel(model_size, device="cuda", compute_type="int8")
$ `* _2 y% R0 D! b- e# }
8 q! H9 h& s) n2 _7 C, G2 J, e
segments, info = model.transcribe(
0 F' s- B7 G' Q, B N
sourceFileName,
' C2 c$ |. J q+ D0 g! L
beam_size=5,
) O- ]% W9 y, q% @8 k% a
language="en",
, w; g& y- @/ a! ?2 M8 T
task="transcribe",
) {9 Z9 G0 Q' {. l3 S0 h4 Y" S
word_timestamps=True,
- E6 V9 r; t6 a; ]6 [# Q
initial_prompt = "Hello, welcome to my lecture.")
6 v6 _$ r/ n/ C
5 u$ ]- H5 H. [" \! x, ~1 j& w
for segment in segments:
& {: h7 |! J1 T- k2 {$ b
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
, j3 \: S& ~0 G
( c5 V3 O. d2 V P
for word in segment.words:
% w( K* f8 H8 |2 G$ ?* o4 V
) U- Y- R, Z6 R
----------------------------------------
# }- t" o J: B( ]; [4 ~6 i( {
1 a( }* H' ?# K. q% d. d. l2 a' Q
代码说明：
' I7 v( K% G" O, O+ {3 a+ t, C/ W0 V, T
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。
, I, L" o$ m2 L5 I% 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。
" b9 Q9 U) f" Q& d% Y
2，segment 本身是很粗糙的，做字幕勉强能用。
|' V1 h& v* T" V
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 p! O' t9 b+ W+ f, W; T
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
) I0 |7 Q# D: g- n" |* h
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
; h2 W$ ~$ z0 @2 F; Q+ s! X
5，model.transcribe 中参数说明：
% @9 k' w% x! g4 x8 z
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
" }/ M& p8 F3 x( v/ c
其中
+ l5 N g' u( `) A: B+ `
word_timestamps=True,
' r* S |% W3 `) X4 o+ U
保证了你能拿到 word，否则是拿不到的
: s) u4 k0 b$ O: d$ l, B7 S
initial_prompt = "Hello, welcome to my lecture.")
; B7 V$ V" }$ `9 H+ a4 a3 v) g' b
保证能尽可能准确的断句 punctuation，但是不是决定性的。
$ W+ j- Z; F. N2 Q, q
其他参数可参考源文件：
; `3 O9 B2 U( f3 y5 N: a
https://github.com/guillaumekln/ ... isper/transcribe.py
2 @0 G2 ?9 e D4 Q" B8 F2 A
152 def transcribe(
5 r6 L* u2 Y% F0 K |
从源文件你可以看到是支持中文的句号断句的。
/ J) f# g( J' N. |
9 R, D" n( |2 b8 O
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 i7 b$ U( @" W1 o$ }, M
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。
- a! `+ @7 i) B: I
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。
, B8 v3 \6 A6 K+ i! N. r2 I& O7 m
/ M4 N8 l# f( D" W5 g
) S# d2 x9 H. a/ ^& J/ D
/ C( z6 F: Y- T" o
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