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
) j0 u" Q$ _7 i4 G4 m( t
' K" F' O1 G M
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。
" h4 P( u* }; y5 k
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/ L1 s6 w" f/ G
----------------------------------------
1 Z% V4 Z$ r: i" 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。
# z: l9 I" x2 F7 U+ k9 Y: c7 B; p
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。
1 o% [5 I6 w8 Z
----------------------------------------
; j9 b, V6 E' Q# W Y& Q+ K
https://github.com/guillaumekln/faster-whisper
- M& I; |5 B( ]5 M' | C
安装如下：
& f$ D. {3 w# l% r7 N6 b P% s8 T
1, Windows 10
- [0 F' Z8 H- m6 |) }
2, Python 3.10.11
5 I; X7 c8 Q" ~ o7 d
3, CUDA 12.1
) L! G: w1 H7 L5 X2 j3 C! F
4, 在python 3 中安装
3 R4 {2 a+ O$ b* E
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
4 b9 M6 ]& g/ b: q7 q7 g
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。
& G H& E2 ?+ U" r* Y4 Y
5，pip install -U openai-whisper
7 N( A6 b+ V, ^2 n+ {4 X2 Y
这是向whisper 致敬，可以不装
' k5 N0 V+ t! S0 @! q: x
6，pip install faster-whisper
( u6 r% f# V$ G/ ^0 C0 U1 a. D
----------------------------------------
/ P$ S- b$ `2 o+ J( A- h
whisper 我用的命令行，faster-whisper 我用的是python。
5 z$ s" L( _" D1 g% C
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：
. |' Z9 b$ t; K, p& C
) L$ D8 m' S, a
----------------------------------------
1 Q q" n3 @ {3 U4 t0 Q+ ~
- Q, q8 {# p9 y
from faster_whisper import WhisperModel
; B: @, K" f1 R' A3 H$ w3 }
& E7 N/ {( @; W6 ]! o" p1 y
model_size = "small"
7 ]- W4 J3 J/ h$ M2 n6 n$ G; B
" L. \, c( d: }- `/ `# k
model = WhisperModel(model_size, device="cuda", compute_type="int8")
4 C1 M% B% |; Z5 L- S+ H: ]& B+ A
. S. O, C$ R! v, a, T
segments, info = model.transcribe(
- O% U# j2 z' G+ g. \) Y
sourceFileName,
; g! E$ @1 p: O n
beam_size=5,
& t4 x. D; g7 k, c
language="en",
" g- J4 M; w* b
task="transcribe",
9 E/ x- t( L8 |
word_timestamps=True,
6 }; u/ }# }! q, e9 F' \ E6 H
initial_prompt = "Hello, welcome to my lecture.")
) K* X, G. ^9 _
( [! W, `/ C# g& i
for segment in segments:
# x% }9 Z# h4 L' J
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
: |% y" k( r$ u$ M! {8 w7 f8 ?
4 A9 O4 W ]! v4 ^) [
for word in segment.words:
8 E# p: J1 U; v: p
: p+ o' R# U! K; J. \
----------------------------------------
1 x. m" x* |* l/ z( b
* L# L- |4 S% \( \1 f- \
代码说明：
! b3 [' d( Q5 O. o8 v* A8 q
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。
9 e& v$ H- W* }
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。
3 t) |+ K* c3 q! @8 D; S
2，segment 本身是很粗糙的，做字幕勉强能用。
" _' k7 \% o, a6 L/ I9 C7 l, F: L
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。
$ A/ N) E5 q+ Z; x0 ]
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
% C5 g% N* c8 M/ S, C" g# }7 l
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
% b+ }5 w* l: {" M; X2 ^" B
5，model.transcribe 中参数说明：
, A/ F1 l- z" I. W( E& o2 J
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 v8 j# x2 a# `7 O( q
其中
7 M, \3 m* N5 w1 A5 _+ k
word_timestamps=True,
5 a5 i2 k+ ~: h' I
保证了你能拿到 word，否则是拿不到的
9 v: D& P& _ L: |! x s
initial_prompt = "Hello, welcome to my lecture.")
& s# s: `. U) T, a2 g
保证能尽可能准确的断句 punctuation，但是不是决定性的。
* e Q+ v& r, J; Y& p
其他参数可参考源文件：
/ q* i; ~3 S& g5 {$ x' J
https://github.com/guillaumekln/ ... isper/transcribe.py
2 w* k% ?5 U ], S0 B5 X$ n
152 def transcribe(
, G& a" R( ?+ L ?9 w- F
从源文件你可以看到是支持中文的句号断句的。
5 X, s# |3 v& C9 a
. T# X; T% Q0 O+ p. E
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; g7 b C3 T4 @5 p
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。
; t% z: t) o8 c% ~0 |- s
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。
6 M( z% s$ \6 }' s2 M7 B& E! H( V( e! L
( o0 k/ p3 y& u2 N. t2 |! W
% Z! s4 Y! h( D' n7 L( t6 R
7 W) M- T6 s8 L: I- V, B& i. V
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