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

) V- V6 c$ d% b' C3 k+ {# D
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。
----------------------------------------
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。
& A* b# h* ^  p* h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 i" w0 W/ y: S0 U& @https://github.com/guillaumekln/faster-whisper
安装如下：
  Y' a9 d9 b- h, g+ C  W1, Windows 10
2, Python 3.10.11
$ I/ T0 ~" V. X# z/ H5 @# t5 M3, CUDA 12.1
4, 在python 3 中安装
) w3 b8 r3 t- E% }0 |pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
* h: \! [$ t" v) V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。
: ]$ a& z' m; S  r% j& l5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
" O% [5 U- x* @6，pip install faster-whisper
----------------------------------------
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：

----------------------------------------
6 {" q2 N+ u/ O  f. W" A6 F
from faster_whisper import WhisperModel

$ G# t; r3 r: J) Gmodel_size = "small"
# w9 [& J: l% Y  K7 W! s
( B+ [, O3 Y; s, fmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
3 g  a. n8 H* y" W6 \! W( H2 Z3 x( J0 h
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
& a/ w$ Q  I3 I( K! m# D1 `# y2 ]    initial_prompt = "Hello, welcome to my lecture.")
! u" P: s8 B) w7 q1 ]3 K" P6 s
for segment in segments:
* N: D- J9 C* L. E# F% ?    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

6 C9 E, f2 @2 y  X* ]# a) V2 B        for word in segment.words:
8 D/ k6 v( y/ b) n: V0 F( I               
, B0 H4 _2 v- n, }----------------------------------------

! F! [: y. V& ]# J+ F. F' P代码说明：
6 Y8 T1 `6 s  d' r6 n$ e1，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。
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。
# X8 s5 T) M* k3，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。
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
其中
1 w9 E# G4 m4 d, u7 {) R9 x& b    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.")
7 K! \0 t! v$ m9 I保证能尽可能准确的断句 punctuation，但是不是决定性的。
# \# _3 ?/ t- l  u其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
3 u( d2 C+ W7 W, X( M8 U$ N152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
, E1 ?8 D; Q+ I% E) h9 h3 H' g
8 O4 u- g) Q4 }+ {% B7 a9 H6，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。
. L3 s3 Y- d1 }; Q: a: u9 A( p  J; m7，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。
; [+ d4 C! h6 S, d8，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 U0 @1 R& c5 X7 J0 U' e3 L
% p4 E+ w0 X2 t; ?
2 c( {3 \2 R  |+ @( N. {

---

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