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
$ R$ n# x- J+ o( l. u* Z
+ D' E+ P5 g( s; V
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。
+ M9 E# _% _) C! a0 D" Y
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。
* ?5 Z( X |$ ~
----------------------------------------
( c2 r& v K( ^ s2 h$ B" e/ m
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。
/ w6 y) b1 \1 B+ o1 J1 r
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。
* W g" V- |% ~6 s
----------------------------------------
; B: U; ?: U, D. U
https://github.com/guillaumekln/faster-whisper
" w5 v, ~5 M* K) ]' p
安装如下：
% J1 r2 y" q# z3 A3 n
1, Windows 10
3 p0 J$ e1 `2 M' E2 R. n$ e, g
2, Python 3.10.11
& L6 o' d5 q: |" |8 u
3, CUDA 12.1
' w! D7 l# f- K9 z
4, 在python 3 中安装
! _( g# X) J: ]
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
3 V* A: E+ i2 ]2 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。
" s; Q$ j' S. A" h, \ f5 ]# f
5，pip install -U openai-whisper
2 o9 C0 J2 ~; T3 N* R; N
这是向whisper 致敬，可以不装
5 h: |6 s" q3 d! j8 X0 g6 B
6，pip install faster-whisper
/ v. l0 B- K% T: u
----------------------------------------
% W5 k: c7 Z/ F& `
whisper 我用的命令行，faster-whisper 我用的是python。
2 N2 A W- f( Z
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：
2 m2 S0 ~' m2 c/ ~, G& H
% v0 t: W5 M& c$ ~
----------------------------------------
+ p' M8 ~) A- m
1 ]; F9 P8 i: f3 S
from faster_whisper import WhisperModel
: f! Z5 P4 {2 i* f
6 r, [/ s2 x/ b% M
model_size = "small"
3 Y. }7 p' m& p) B+ @" a0 Q
6 g9 `) _7 S6 Y
model = WhisperModel(model_size, device="cuda", compute_type="int8")
& p3 I+ s0 m8 I$ ~
7 X/ }# X" u* N. I' u; [6 Q' M
segments, info = model.transcribe(
* ~6 C& s1 s; `' F% |
sourceFileName,
`$ K4 a) i8 A5 Q9 ]+ @ G& p1 J) p5 G
beam_size=5,
/ G6 K! F2 R% p; r. x8 W1 b. Q0 {
language="en",
2 l5 n# H) x e* s. `9 \, \/ B
task="transcribe",
1 z; Q- {2 D% C. J" i8 }( d/ M7 u
word_timestamps=True,
# q# Z& u* Y, a% I& I8 ]
initial_prompt = "Hello, welcome to my lecture.")
9 Q/ m; M) n! z m2 k+ m: \; D' x
2 H$ ~; a: g' G
for segment in segments:
% N$ P6 t/ k* r, ?+ i, f/ s+ d
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
! j7 u: {* y$ r9 N
X5 h' D3 z5 M# e6 |" l
for word in segment.words:
' j% k* f; w/ d& z2 ?
) k3 g/ {" b7 g% G' z' S' j1 M
----------------------------------------
, i& n+ j* _$ _+ s3 }
; d3 y! U8 E) [; w. \) ^+ p2 Q
代码说明：
2 l" s$ m2 j$ K( e: S: N' b
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。
$ |7 T1 a' ?9 ?0 K e8 g/ B
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。
7 H0 {. {6 D7 s C
2，segment 本身是很粗糙的，做字幕勉强能用。
$ p( C; t6 I, R4 g
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。
9 Z, z3 g3 I }6 m3 b* v
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
" U. i8 [6 q1 {2 O1 G# d; S1 R
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
" l9 V& a# w$ _/ t; ]) `
5，model.transcribe 中参数说明：
A7 ~: C/ c4 m' [& }
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 t2 |4 q+ ?3 Z- I* {7 Y
其中
8 C5 _% U; p; S; ~
word_timestamps=True,
& W* a' R. @% @; k$ k5 D! q) F
保证了你能拿到 word，否则是拿不到的
5 Q5 J. u/ A: B* p! n4 S* e
initial_prompt = "Hello, welcome to my lecture.")
/ Z# I5 r& l7 C
保证能尽可能准确的断句 punctuation，但是不是决定性的。
- p6 i' J, p0 [) V: |4 @
其他参数可参考源文件：
' x% B7 k8 {3 D E- C
https://github.com/guillaumekln/ ... isper/transcribe.py
* s5 ?0 w/ i5 \% C8 ?4 N
152 def transcribe(
+ v5 N2 D2 g, h# N
从源文件你可以看到是支持中文的句号断句的。
' S) v, { g0 p! O; V+ R
0 U1 w4 u( f" P2 v& |
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。
! n$ v8 ~. I0 W0 U! {
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。
# f! |4 m* g7 w) j0 E r
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 V# V0 q- W& m, S/ }3 y: Q7 U
# J" v) T6 P2 {( Y# p
! ?7 {- P6 ^, Q$ L+ n
$ } h3 M/ F& q0 A- A/ {: I, 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