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
2 k7 L2 C+ ^" Q5 ]; T! ]7 k, x' W9 B, _# u+ O0 f: L
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。5 b/ m) J& B! }* x; I, o# ~6 `* s
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----------------------------------------4 l/ F1 Z7 r: W
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:3 H- y! [  V4 ?7 u% q
1, Windows 10
6 W/ G# ^' d  [9 \, G' E7 `2, Python 3.10.11& r) c. G' @3 P, U' B# S
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" g! R4 ?  g/ U& O) u
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% R( j- N$ u8 V7 {; x7 `( S1 h
----------------------------------------
% [7 |# q% Y) A% R8 b/ y3 Qwhisper 我用的命令行,faster-whisper 我用的是python。" }" K0 Z; c5 [
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:$ s1 g# ^% e9 R! [6 K6 A' N6 C
7 y: B7 z" d; o( V, j, T
----------------------------------------
( Z8 A2 O6 y# ~" t4 j- Q  L2 [3 h2 \' r! _
from faster_whisper import WhisperModel* o7 O- R: Q, s- |$ ]  k- s

8 H, k9 q7 p) f# ^# Jmodel_size = "small"; e7 i0 S$ ^  E) H% L( c% w! u

' F3 {1 H  F3 W) O* Hmodel = WhisperModel(model_size, device="cuda", compute_type="int8")
* A; R( t0 E& [1 f2 ]; Q* T( \, N& u$ S  m4 {
segments, info = model.transcribe(
) Y& a! G% V  h& r8 N3 i8 A    sourceFileName, ' g+ W: v. s2 l4 c
    beam_size=5, ' ^+ L/ P! }( }( v
    language="en", , c$ m& |3 S) a" x
    task="transcribe", ( w* x# t  T+ t8 `
    word_timestamps=True, , \( G8 c8 y- Q
    initial_prompt = "Hello, welcome to my lecture.")
7 E* ?$ m; ]7 z$ c
5 V4 s6 X- m: d) r9 lfor segment in segments:0 G' }' [* v/ Y* @4 X. J0 Q7 N/ y4 q6 @7 f
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))' ^) _) P7 C! t" l9 D* N7 ~

( 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----------------------------------------8 h3 ]; A4 ?$ \( H5 q

$ ~; 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% I7 X* }' h) M* X  G+ K
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。1 `) c& y6 a5 `
5,model.transcribe 中参数说明:5 {$ u) u( |1 F  _# u7 T) M
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' v- m$ ~3 F5 E& w# l) Y4 C
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% K7 J' I6 `$ W! p" \
    initial_prompt = "Hello, welcome to my lecture.")% @, @) Y4 g1 \( T0 ~% Q1 J
保证能尽可能准确的断句 punctuation,但是不是决定性的。: d  O! a2 F; ?. i5 T. P
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# K3 Y& t7 |' ^. N
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。( u% [8 M: ]1 H0 @7 F2 c: 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。- F! |2 t" C2 [& @# m

! G. K: i1 J/ G" A5 Z + v/ P* i' g% w! Z
5 p' O0 }' _  \7 v* V) ^6 O

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