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
# T# a; Y5 h. p; F
6 P: Z; z$ I1 `9 h. x7 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。
) G, H- }$ u+ H& o& P* g. Q- ^
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。
$ c/ |- C/ O. ]9 Q2 o8 Q4 _
----------------------------------------
8 X6 t3 c& k# _( N, k$ u7 `( P5 i
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。
' A0 ~3 D# {5 s6 z2 ~8 q
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。
7 r: l5 u! Z2 P- Q- J! I
----------------------------------------
: j% i8 q i2 u, n
https://github.com/guillaumekln/faster-whisper
. L1 q2 i, ~) g' _
安装如下：
' R! Y2 x( o$ G' n
1, Windows 10
' p: H# G p8 W0 e. N( b8 f/ S: N
2, Python 3.10.11
2 L/ K9 _; S9 h% d: l
3, CUDA 12.1
/ C1 @2 b4 O6 P" z8 u ?7 `
4, 在python 3 中安装
1 B( D: r# `0 K# d% z0 r
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
4 ~9 M. O6 n* s/ b1 B( m
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。
$ C, q( L* i0 g+ f2 `: b+ h
5，pip install -U openai-whisper
8 p5 G7 P6 ]: J- N+ f. a# Q5 h
这是向whisper 致敬，可以不装
( j, Q1 |% d) @6 a
6，pip install faster-whisper
; v$ y G- v q o3 t2 Z: E8 B. \
----------------------------------------
- ?& f. b4 o8 [; u
whisper 我用的命令行，faster-whisper 我用的是python。
& I2 [9 N! w% ]3 N: m' `0 e/ X
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：
; D: L. b# d$ ]) y
% u. t) e1 V% H- O6 P8 H I T8 f
----------------------------------------
1 W, f9 q3 n7 \. v
; k$ C: g' f4 U r* Z- E$ v1 M
from faster_whisper import WhisperModel
* h6 ]# T m9 z$ X4 e s- H
7 o9 ?& i6 {$ g# c, N W: s
model_size = "small"
1 N6 q; Z# ]% W9 ~; H2 N
8 R) P% t+ d( c
model = WhisperModel(model_size, device="cuda", compute_type="int8")
6 B* N% ?' [/ M j) G
' m$ ]- ^; P* X1 [/ q
segments, info = model.transcribe(
- u' ^7 s* N* Z s
sourceFileName,
. r+ Y0 G% e4 H8 B+ @$ I; S
beam_size=5,
- @, F# f( k7 W5 l
language="en",
2 p7 D/ _0 \1 j" S1 \, I% i4 r
task="transcribe",
. u0 P; |* p7 T" Q
word_timestamps=True,
9 P' M) I8 P6 @1 C, n
initial_prompt = "Hello, welcome to my lecture.")
: x; z; _0 B" P4 O* e! @! w
$ M5 ^% R5 n3 h) ~+ K/ R* h
for segment in segments:
8 x! X( ]' j8 w* ~. r0 ^/ ^2 S4 F
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
7 e1 I- j8 @3 @8 @- s9 l( N/ m
1 Y2 J0 e( O. F2 ^# @! O
for word in segment.words:
+ A8 l$ c1 O3 C B& c3 H$ ?
& s7 R% N4 m* d7 w2 B. _* w% Z
----------------------------------------
5 U, g0 G6 Q+ Q; S# Y
) g1 ` n6 d% k1 ~+ t
代码说明：
2 v' }) H( K! r: i1 n T4 a
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。
- s/ ]$ ?2 h& A+ \2 Z* Q% D
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。
5 x Y/ w- W0 x
2，segment 本身是很粗糙的，做字幕勉强能用。
! d! N# Z0 U5 O
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。
, Z" Q4 i5 U7 j
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
/ r7 n) K/ W' P M9 w
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
`& P7 f* p O$ o' R1 M, y
5，model.transcribe 中参数说明：
! Q' b; d$ N: D' u8 J; P+ 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
5 A# J+ s' U: ]# g! }$ ] m, C
其中
' V0 I' y/ T/ _4 u+ a
word_timestamps=True,
}& N" z* F" j! T% `
保证了你能拿到 word，否则是拿不到的
- X& b& E# ]& p. v
initial_prompt = "Hello, welcome to my lecture.")
$ M S2 A0 \" B. @ E
保证能尽可能准确的断句 punctuation，但是不是决定性的。
4 v6 c- `; Z/ P2 x
其他参数可参考源文件：
; ?, `+ c! Z- D
https://github.com/guillaumekln/ ... isper/transcribe.py
# g" @% p( `9 S) S0 f( \
152 def transcribe(
& ~2 \4 o d8 K, U( |/ R% R8 K
从源文件你可以看到是支持中文的句号断句的。
* e/ [/ j A t' V. R8 I3 Q
7 v$ k d) s9 H6 F: S* q* G8 m
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。
8 x/ ^+ G+ K2 [, n4 V! [
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。
n# V& G/ E1 Q; J+ g/ 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。
* d2 {& L- M0 C
* x. s, ^ c+ g1 G$ ]4 z1 _
7 I; E/ ~5 u; f1 D/ y [. z
9 m# T5 r5 T) p
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