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


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。
, A/ {# J/ I/ w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。
6 P5 D" {. `+ G* A& j0 K1 O----------------------------------------
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。
! F1 u& F! k5 k, l8 I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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
2 r/ m% g* v! k; P3 t安装如下：
5 U# ~8 q5 g, r& M$ ?1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
$ k8 i3 l  P1 w8 F/ s  Y0 R4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
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。
, B# `3 F0 f: O6 a/ K5 m5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
----------------------------------------
5 V! x- }/ p* c( @% K( I  O/ Hwhisper 我用的命令行，faster-whisper 我用的是python。
1 B' y. d. R. e; Q/ Q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：
7 R. g7 t. T+ Z, W6 u
9 G% n* `' C1 p: @8 [- v----------------------------------------

& X/ I2 t7 g7 efrom faster_whisper import WhisperModel
) Q1 R2 u8 C) t
3 u  x8 T% C# }4 |model_size = "small"

# {4 V+ ^# o6 J. {3 qmodel = WhisperModel(model_size, device="cuda", compute_type="int8")

segments, info = model.transcribe(
- {! h3 x+ r& {* k- s6 a    sourceFileName,
    beam_size=5,
    language="en",
# P, M2 H( |5 ?    task="transcribe",
6 g: b1 f9 @6 `/ H/ r2 Q7 u    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")

for segment in segments:
) |* _3 I2 L" T5 n2 N    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
' H  D4 C. `2 y! g0 x! @0 d; `
; ^% a% |/ x* H0 ^$ s! b        for word in segment.words:
/ w' m5 [! p1 }9 `8 M, X. W9 B               
----------------------------------------

+ E. S+ y7 N+ e* t3 V代码说明：
& }, N5 S- o! |# H* Q0 q! `  S& v- C1，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。
0 V% x/ M* H9 k8 Z0 p* {( V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。
2，segment 本身是很粗糙的，做字幕勉强能用。
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。
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
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
. V$ }6 g% ~% ^  ^5，model.transcribe 中参数说明：
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
& s$ c, G5 l8 ?; }9 O. n) d其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
2 a" F4 w* }; v. n; B8 E保证能尽可能准确的断句 punctuation，但是不是决定性的。
8 k+ Q4 \# y3 g) l' ^; P其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
. e) M* I8 U9 b' x152 def transcribe(
. D# w. b$ Z- M$ j从源文件你可以看到是支持中文的句号断句的。
/ }: D6 u5 v/ P  T- [: Z
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。
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。
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。
% K& i$ Q! ~  z8 Q/ c$ e8 r; D) y


2 r3 K0 C6 P. ]) 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