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
! |1 Z  v3 E& r- M" x% E, `5 g2 l) U' ?. n1 ~' ^- L& k5 h0 H  Q( {
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。
; Z, E+ D8 i5 v4 j4 _! ]% ~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。% i6 E% t- z5 A+ c, }
----------------------------------------
: J: ]6 y5 c/ z3 i9 `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。
6 o' U! l% U# N* P3 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。
9 C( \9 R* L: p----------------------------------------
1 t! a# E9 |/ E' C$ M; Zhttps://github.com/guillaumekln/faster-whisper" {$ M, {' C! X% Z
安装如下:
) W/ k8 r, T3 q: Y% Z- R1, Windows 10% K9 @) D  B& R' O5 F. B
2, Python 3.10.11' w, M7 V7 A( H% q5 y
3, CUDA 12.1
7 o' }: V3 G7 t* _% l; V, }, c* n4, 在python 3 中安装
' m9 }3 ^* V" R5 b4 dpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117$ w$ F5 F$ C" D0 l) h& [
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。
9 N* G/ e: J( \+ u5,pip install -U openai-whisper# O8 U* w* D- e/ |
这是向whisper 致敬,可以不装1 f( f6 l: N5 W7 q! r( e0 ~
6,pip install faster-whisper; u3 r: h; v' {2 Z5 |" m4 s" z
----------------------------------------
- d, }% Z& D  owhisper 我用的命令行,faster-whisper 我用的是python。
/ I9 J7 m2 m/ j4 o3 N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:9 |7 p' n  Q' q* r
6 I1 h4 a9 p0 ^$ t1 e& b. z
----------------------------------------% E+ P: T3 e( B2 j/ h3 U) c' r
+ F4 O3 o6 V1 k$ W( \
from faster_whisper import WhisperModel; {5 C/ ~1 X8 \! O$ S+ Y
6 b* Y6 C% A2 O, i/ G
model_size = "small"
- n. v" Z0 c" w3 M; f3 c6 t6 J% ~+ Q9 e7 ?- W
model = WhisperModel(model_size, device="cuda", compute_type="int8"); K+ f  `' j& [3 \2 L2 D! x( L
' L: L. ^( L2 N* Q; G5 m, Q" d" e
segments, info = model.transcribe(
6 S5 ^8 u5 t* \2 b  X    sourceFileName, 3 Q' C1 G" E  X
    beam_size=5,
. p+ }3 G/ A# @    language="en", ) ]& l- Q& d, ^9 D5 n1 g$ [
    task="transcribe", 2 E+ N8 ~, Y* l3 X) G# m' e) Z
    word_timestamps=True,
2 g) ^6 Z) `3 }4 F    initial_prompt = "Hello, welcome to my lecture.")
7 Q, D9 V. ^6 `, a" Y! @) f' ~; r1 q% z) z. @. x/ q4 ]
for segment in segments:
9 m$ r6 ?( U8 y! m    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))  r( S& @! u1 D" P: X# t0 U

0 {, L/ e/ V1 V+ Q) b        for word in segment.words:, B! M( B8 x! e6 Y/ v
                % n& J" Z+ s0 j; @
----------------------------------------
; a' O! e4 _8 H' X; L
5 s) p5 ^1 ^7 U0 N1 O! b代码说明:, Y) L7 ?+ h: a3 V
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。
3 Z) N" o* D& H! x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。% g+ f0 t2 k( Q5 O8 l8 Q( m8 i
2,segment 本身是很粗糙的,做字幕勉强能用。  M# p& b7 P! b$ n4 V! k& a6 W1 e, M, E1 @
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。
6 w5 h) Q) E8 m( z" _) z+ h4,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
+ r: F$ `. ], F比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
& K; D  I$ w1 }* d$ C5,model.transcribe 中参数说明:( T$ `! T, |! p9 h% D: M% F
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' o  r! N! |3 F& {' k5 ]
其中
: F# L/ `, J; @' ^# x3 v& w    word_timestamps=True,
: N/ i; U$ f0 V' @; g" Y保证了你能拿到 word,否则是拿不到的
8 A3 _8 D, n% A: `$ [9 V2 k" P2 z    initial_prompt = "Hello, welcome to my lecture.")
' y+ N6 @7 d$ `" m; n保证能尽可能准确的断句 punctuation,但是不是决定性的。& j3 t0 p( ^9 t7 {' j& d- E
其他参数可参考源文件:
. R& Q( ]* s8 i& R# o; shttps://github.com/guillaumekln/ ... isper/transcribe.py' w1 O4 H% A& a3 y5 C# `% k: Z
152 def transcribe(
$ ]1 B- c7 `8 A& s6 {' `# R从源文件你可以看到是支持中文的句号断句的。  c  P$ {: P1 \# {$ \/ L: j9 R
# c7 U" C( e8 _" \) H; T# U. o8 n% d
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。
3 z# ~; J6 I, ]% I/ V8 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。$ z- }" j+ P9 c% E( k, p1 y
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。  g- D: z9 S7 U8 f6 y8 U

$ V- ~5 }: g9 B 8 X! [  |. p9 e6 R! e
& a/ B0 G' s  w7 K: h) m$ z8 Y% D

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