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

5 c8 z  r, C* A  t+ K0 c3 f
- f" t% w2 k" s2 X& ?' @. I- ?6 h9 Z: o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。
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。
  f+ b# w4 l! w4 I) S: Q----------------------------------------
' e/ w9 l. l# X' L# t: W+ @5 P: d- i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。
0 Z7 f1 ~; r2 R9 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。
2 i7 e$ o- x2 k; Z7 ~( Q----------------------------------------
( C- t9 B1 L" |3 h: d# |' a' rhttps://github.com/guillaumekln/faster-whisper
+ l: i& Q  K' {, B2 k安装如下：
1 E: F0 T! {4 t2 b; G1, Windows 10
2, Python 3.10.11
! U2 ~7 M0 m5 L7 S- j  @3, CUDA 12.1
' A2 i( Z" {7 T+ G1 j5 h4, 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。
& }% |9 c1 ]1 |0 {  K# L5，pip install -U openai-whisper
  A4 @3 g  i  {- a, X/ ^这是向whisper 致敬，可以不装
% J: ?1 R8 m: P) w& r+ Y0 D6，pip install faster-whisper
9 c& z# P, ~8 A5 w----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
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：
; B: W' v) z# W
----------------------------------------
; C5 I& a. t, ^/ S5 j; R8 I
from faster_whisper import WhisperModel
7 z% S* w* ~4 ^8 H2 {
model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")

  r3 C( L* k! E1 a1 i0 g2 tsegments, info = model.transcribe(
    sourceFileName,
9 E- M+ x0 D8 v! A    beam_size=5,
/ a2 L; u' W4 T8 W5 l. ]    language="en",
. h) V( ^0 e& x    task="transcribe",
3 b: T5 f9 i: d, G; R    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
2 C% _! N, S  \( U, y4 M0 e2 r
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

3 E0 v0 Q. h9 V+ s5 _3 W3 B; y        for word in segment.words:
+ K. i4 _& n, ?2 w7 p/ Z4 y6 U) K$ K               
- B# n& P" a1 f1 h----------------------------------------
) C# ]; j5 {9 T3 O& i
, [5 S/ u* L% H1 }& @代码说明：
+ u9 j$ V9 ^! y/ F# U- A+ H3 I; ^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。
  {* h  N4 z: O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。
) L+ i/ M4 u" }( F( j3 y3，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。
& u7 P( T% k, g4，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。
5，model.transcribe 中参数说明：
; s2 U1 H/ z, w6 C+ C( i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
' t0 L% |) a6 \其中
! n; j# z0 m: d& Z    word_timestamps=True,
! p, f+ r6 |: l4 a9 c. K保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
) B" ?2 b, ?1 J, p; i) z/ j3 m保证能尽可能准确的断句 punctuation，但是不是决定性的。
5 Z( A* C4 L, w# B9 R/ X其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
, |3 Y8 t3 t. W1 S& r) d3 H152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。

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。
2 W* Z4 }  T9 Q  x! ~# T% c! Z' e8，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 h& R) A. O* d3 j. S4 `
, R% J) ]# E( Y% Z7 K& ?% k7 Y

---

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