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

2 k7 L2 C+ ^" Q5 ]; T! ]7 k, x' W
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。
; v1 d1 ]. N# q+ w. a+ D8 P( l( H" J----------------------------------------
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。
, B: s4 ]3 a$ ?7 V. X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。
% J' i+ P% r- ^9 P3 I2 f- t9 {# d; @. V----------------------------------------
$ m1 q" A4 s7 g( zhttps://github.com/guillaumekln/faster-whisper
0 K' _+ I: i, t, H* s5 q- }安装如下：
1, Windows 10
6 W/ G# ^' d  [9 \, G' E7 `2, Python 3.10.11
3, CUDA 12.1
) r5 _; i) X  s$ T- h5 @" l8 H6 `4, 在python 3 中安装
4 z' f8 T, u2 `5 a. [) {# bpip 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。
1 X6 f! ^. K5 {* b$ Q: j5 ^- B5，pip install -U openai-whisper
3 V8 \' \( r, ]2 j) i) ^+ q这是向whisper 致敬，可以不装
! \# e% Y# @: c8 \; s2 _6，pip install faster-whisper
----------------------------------------
% [7 |# q% Y) A% R8 b/ y3 Qwhisper 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：

----------------------------------------
( Z8 A2 O6 y# ~" t4 j- Q  L
from faster_whisper import WhisperModel

8 H, k9 q7 p) f# ^# Jmodel_size = "small"

' F3 {1 H  F3 W) O* Hmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
* A; R( t0 E& [1 f2 ]
segments, info = model.transcribe(
) Y& a! G% V  h& r8 N3 i8 A    sourceFileName,
    beam_size=5,
    language="en",
    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
7 E* ?$ m; ]7 z$ c
5 V4 s6 X- m: d) r9 lfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

( i- d% P. E4 b' W' P7 R5 N        for word in segment.words:
1 ]; s2 r: k( n9 Q               
8 Q( \! ~" H& n2 U% U, u& @& N$ i! O3 s$ b----------------------------------------

$ ~; Q- K! ^3 n# G. u, Q代码说明：
  v# j: @( e  p7 R9 Q, ~& x9 o6 ^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。
/ w( `% G' A" u% t3 w: P6 L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。
* E# X. z9 z, ~: A4 d2，segment 本身是很粗糙的，做字幕勉强能用。
7 P" |4 v4 }2 N3，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。
* S7 l+ s/ Q2 f1 e1 h, ?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
2 G3 w2 N: ]* E! t6 [    word_timestamps=True,
+ t6 c# e0 J5 ~: B  _保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
保证能尽可能准确的断句 punctuation，但是不是决定性的。
其他参数可参考源文件：
! |- x4 ~; p# [4 S! }9 Chttps://github.com/guillaumekln/ ... isper/transcribe.py
/ z* a# g. W( F. p3 D152 def transcribe(
- k7 Q& [  c. y7 r0 f+ c" A8 O( f从源文件你可以看到是支持中文的句号断句的。
( {) {( k2 A) o5 ?$ J
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 K: M  j0 I. ]" r9 L7，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。
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. K: i1 J/ G" A5 Z

---

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