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
^ ^% Z8 M3 `$ q3 z" g5 p. Z
* } y8 j- W0 q! M. 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。
) M. J" s& C, M* U
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。
* n( I, f; n4 `, F: |5 M3 V% P
----------------------------------------
( J( v' }% p1 ^3 t" T8 j
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。
$ F( a! d x+ u! a
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。
9 F+ s9 G+ E1 r: d& |4 ~$ p
----------------------------------------
: u* Q7 d/ X; r$ ~6 g
https://github.com/guillaumekln/faster-whisper
2 ] W" S, v5 A
安装如下：
, l+ {( s( j; q+ C3 m: r, f/ v$ f
1, Windows 10
9 R5 M; h! T; f% N5 G+ U6 N7 z
2, Python 3.10.11
0 m1 |% x7 w0 A( i- |+ P; L
3, CUDA 12.1
) {% {1 s1 ?9 @
4, 在python 3 中安装
/ \6 x- Z9 t. N3 P
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
0 K% P$ p3 j. b
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。
- y' e, @5 N) Z6 o/ U
5，pip install -U openai-whisper
- o* |7 Z2 \6 {) I/ O8 z+ j: g$ K
这是向whisper 致敬，可以不装
! G5 X- ^* g! U. A( g' R2 y8 H, k8 q, o
6，pip install faster-whisper
5 T9 E: \* c4 M& s
----------------------------------------
$ l" ^! K" t: ]5 W) T% C! O3 }
whisper 我用的命令行，faster-whisper 我用的是python。
% B5 Y% T7 w$ U( k- l( r4 e
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：
+ e+ J Z. y+ a& { d8 [
* R8 N2 p5 F1 ?/ B+ f
----------------------------------------
4 j$ {% p1 E( h" `' |1 q0 U
' N- b4 i8 r' R' {' D1 o p; h
from faster_whisper import WhisperModel
* f0 h0 p; x Y3 w
- |3 S; T# }' e) D
model_size = "small"
! l$ X& l0 P2 z8 C# i2 z# @: q
9 e( l9 Y, O0 M9 r+ u J
model = WhisperModel(model_size, device="cuda", compute_type="int8")
1 t+ K# [2 u8 F
9 i$ v/ z7 ?; M2 o3 p
segments, info = model.transcribe(
5 Z2 C# w, \, O: O* s
sourceFileName,
6 V0 H6 a/ j7 H! {' q
beam_size=5,
6 G- u1 i$ L/ I& W7 r+ V& j( w
language="en",
7 ~5 u1 I# j4 M9 c
task="transcribe",
" @7 D4 M, ~7 y9 ?' N
word_timestamps=True,
& F7 r+ c+ \$ }1 j: ?6 G
initial_prompt = "Hello, welcome to my lecture.")
- u1 A, {( N" L% C
+ C9 v0 q9 I6 t" O
for segment in segments:
1 c4 O# y2 W( [1 [4 z7 Z
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
0 U9 F9 Q. \7 d5 u) f. t
8 L1 k4 h- f3 p& y6 y9 T! i9 E
for word in segment.words:
2 S' T V2 [! D' x9 n0 I
& Y9 N# i" g2 B7 z
----------------------------------------
6 B1 R. J" v0 u: O( G' k, f, x
/ c' ]9 A4 H( |# Q f! v. T: \# t7 Y& L
代码说明：
! |$ F" [3 c! R, }% t# C0 ^
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。
6 j4 I9 r4 g I6 ?: ~+ d4 ?. q
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。
) y( x, U+ @3 L6 o
2，segment 本身是很粗糙的，做字幕勉强能用。
$ N1 W5 f8 P/ R/ M5 L& F" d& r
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。
3 b$ S+ D5 \8 U e c! 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
" Z. n( \8 M+ ^# Y: ~
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
" z/ c4 _0 R; _% D6 H; U
5，model.transcribe 中参数说明：
- w6 s- g/ D+ z# w& i9 P
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
7 R8 `( }# P o3 W& q$ E b
其中
/ l/ D" B0 t2 E: U: ~) f
word_timestamps=True,
+ w3 ]5 j3 k- M4 A1 p
保证了你能拿到 word，否则是拿不到的
8 \, p6 ~9 h' w3 J* X
initial_prompt = "Hello, welcome to my lecture.")
# M" S8 c+ p9 G' J
保证能尽可能准确的断句 punctuation，但是不是决定性的。
8 o% x, N& o$ a* R( b5 s
其他参数可参考源文件：
8 F- l" r" ^0 P( Q( J$ q0 M+ B. n& s
https://github.com/guillaumekln/ ... isper/transcribe.py
3 f* l5 `; d _+ o
152 def transcribe(
" [; I) c- o4 Z5 f4 ^9 N" x
从源文件你可以看到是支持中文的句号断句的。
6 k# s$ r! Z p
+ D' P( z2 A. G: c6 Z: w
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 V) R, L7 i7 h, G8 y( O
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。
0 B- E4 G1 I& i9 i/ i. P
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。
0 i7 ]9 I" e) |; |& O
& e! g- N- o5 \7 h5 ~! {
8 ~7 ]( p7 K8 {
$ I2 F' r" s# d/ j
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