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。
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。
----------------------------------------
( K) @$ k+ T+ [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。
  U; N; r* G+ ?) C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。
# A3 G. v& H9 N# T  q5 G, a7 J----------------------------------------
https://github.com/guillaumekln/faster-whisper
" T% r/ p* u4 a. z, S3 T/ b: h安装如下：
: A0 x# c- V! l5 |6 D! G1, Windows 10
2, Python 3.10.11
3 R5 u# L; n5 ~$ u; Q3, CUDA 12.1
4, 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。
- J9 \- C( \* b1 r5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
- s- i# G, B- f/ ^3 R) P& O----------------------------------------
" D+ V7 _, F) {. Z' G3 w( M! j: h5 mwhisper 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：
8 W& c4 K- P# U0 i4 c( o2 q
+ h7 n# F3 W5 v2 [8 H. [7 r9 N' N----------------------------------------
' S( L- @! W% ?" M: H# D5 a' Q5 f3 n* k
from faster_whisper import WhisperModel

6 k0 W4 D* n% K% B8 lmodel_size = "small"
3 e' I' R) {& X$ r+ E3 R
model = WhisperModel(model_size, device="cuda", compute_type="int8")
( `* O. _$ P7 B$ z) {5 m
# ^" x$ I. a0 g$ o9 _% xsegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
" ?0 L! [$ j! I9 z" f+ ~* u    language="en",
    task="transcribe",
5 k+ [. B& M& O6 d    word_timestamps=True,
2 q; ~* o% q" a    initial_prompt = "Hello, welcome to my lecture.")
+ q+ L% |3 r% k2 {/ Q# D
for segment in segments:
/ g4 i) c2 e: J8 a$ L    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

3 `* J3 V) h: x- J2 q1 c        for word in segment.words:
               
----------------------------------------
/ D2 {" N( {7 n
. s  s/ I: Y, p& a6 w3 H代码说明：
0 H) j2 }7 w  I1 G  |6 C  A- V1，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。
, |# P  C5 ?- c5 }- A" l3 p6 d6 w" I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。
6 R5 X; J2 Q# D  ]' N2，segment 本身是很粗糙的，做字幕勉强能用。
$ V$ ~: V7 O0 E' u. q" ^- @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
  I4 D& V2 W7 j比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
  G5 C$ ^/ v8 w9 C, t5，model.transcribe 中参数说明：
3 I' r% X3 q9 T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
5 M, }* f4 |2 p3 U$ u; l其中
/ I* D6 h, k/ Z' E. o    word_timestamps=True,
! X/ k6 @% o% E: e$ E9 q, L保证了你能拿到 word，否则是拿不到的
; p" [: X$ ]% B  k: ~" K    initial_prompt = "Hello, welcome to my lecture.")
" t! }" D* }, b$ o) n9 S5 Z) g0 X保证能尽可能准确的断句 punctuation，但是不是决定性的。
3 I! M% l9 q: U+ B  Y, I2 `其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
从源文件你可以看到是支持中文的句号断句的。
; _) l# A0 w0 `& H& c# v
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 `8 ?+ b: M; f7，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。
. ~1 E7 \$ H- c1 M* N8，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。
5 |0 k9 u2 U' O3 f& `

---

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