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。
2 r4 o( [+ `3 j3 s----------------------------------------
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。
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。
----------------------------------------
https://github.com/guillaumekln/faster-whisper
安装如下：
% m5 m* w& v) s' Q! }0 l1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
. l. @, _- p+ e" ^, c: I  `pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
. u& A% w, s, h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。
7 d% T" S# ?; |* L  @5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
3 G4 c: b3 \0 @1 u: g----------------------------------------
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：
9 }) J* k/ J$ ^4 i
----------------------------------------
# U! y/ l* ^9 p
from faster_whisper import WhisperModel

9 B: g/ V- h( W# o+ |$ X3 }model_size = "small"

model = WhisperModel(model_size, device="cuda", compute_type="int8")
% [6 q$ i: |5 z5 [5 [2 \
8 ~% J# ^) N3 N' y6 Csegments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
% s! l$ L* v$ z  u    language="en",
) V4 j: W" Y9 M3 {    task="transcribe",
5 u0 K' a" P6 T    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
9 T1 H) N; }4 x& j+ B
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
! t8 a/ c5 m% J6 _1 w
3 g# B7 d( A; m0 _% U        for word in segment.words:
               
  u% H4 n$ p3 H' X: n----------------------------------------
. y5 p3 q4 G3 ~* M/ ^* ~* P
代码说明：
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。
7 j& i- c( F' u9 J5 y+ 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。
5 [0 w( p' N4 c' b: f1 d% ~2，segment 本身是很粗糙的，做字幕勉强能用。
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。
! y' X3 f: x5 Q8 t0 g# A- e" |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
9 G- y. v0 x  s8 y3 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。
: t1 T; c3 ^- d; a5 ~( {  ]: C5，model.transcribe 中参数说明：
2 A7 ]! U: {! g7 }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
% _; `3 R. X0 @9 z    word_timestamps=True,
, m$ P) _" i( e% K7 [7 I保证了你能拿到 word，否则是拿不到的
2 q) Z  \" w8 P8 d+ k* v5 O    initial_prompt = "Hello, welcome to my lecture.")
- C! O. a4 R2 S- N; V- w) A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：
$ N) a0 r* J" T) p  ihttps://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
+ t+ D* b. ]# x$ `' M: N: X从源文件你可以看到是支持中文的句号断句的。
5 }4 k. j6 M9 {9 _
* w/ Y4 A( I7 r8 B( 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。
# L6 D2 m& G' E8 c# }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。
6 ?; b" [/ g4 V8，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。
: L1 G" K0 L* u9 Z0 W) R; Z
5 Q$ {: G) {( V' l. q% S& B- g/ B7 n
  ^5 j2 L# u8 K. R' @
8 Y+ U1 g# t# X. 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