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
" X% r# b' J5 k; k# s2 o
5 G4 a p! B R) z5 e; ^, c
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。
9 S6 I/ N: ~/ U0 b) i9 O
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。
) {7 \1 Y( ]5 e) U2 [% ?) U
----------------------------------------
, E' q; R0 [: e
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。
- t; a" k) v5 Y* I g
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。
* Q& J/ K: Y* c; X9 H4 Q
----------------------------------------
: R/ {: O4 W; x. Q: u) J
https://github.com/guillaumekln/faster-whisper
/ l( U# C; ?0 S" }7 X P
安装如下：
. Z; o1 P2 S* B+ n! ~ g O
1, Windows 10
7 Y9 F6 K r( \; x4 F0 a( n% b. o' n
2, Python 3.10.11
: Z& a3 w$ ~6 K0 w/ C r9 V
3, CUDA 12.1
+ c C& I& K, i7 m2 Z- j- _
4, 在python 3 中安装
( }( p4 p+ ?6 ~& [5 D( Q t* A
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
% v v6 r4 y2 m$ T! g- G+ t3 i
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 U; \3 n# @ I& a4 {& r9 l
5，pip install -U openai-whisper
: p. O% Q8 v! `4 ?6 y6 K; S
这是向whisper 致敬，可以不装
% N5 E. G2 z* `1 m R- J- e+ b
6，pip install faster-whisper
" @* L0 e' c# ]
----------------------------------------
( `, p& b6 s% i# H
whisper 我用的命令行，faster-whisper 我用的是python。
' N: u! _6 a4 E i- c
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：
- n. L& H8 f& `6 X& m, T
8 Y3 d, F# c3 `# d3 ^1 ~2 ^# s
----------------------------------------
" ] ?* a- e) U2 V% _& I
7 S& r: i! e$ w: u
from faster_whisper import WhisperModel
& M$ g6 X( r9 a y
2 L! R+ d$ `3 U0 X* H" o J- ~: m' O
model_size = "small"
- p6 R) E( |' h# U0 g
5 z$ Q- ~6 w. T2 f. `. A- o, L
model = WhisperModel(model_size, device="cuda", compute_type="int8")
8 d6 \7 |' O4 @' C, a
; R$ f4 ^8 @( G, W" b$ A
segments, info = model.transcribe(
: ?! |1 p' @- a
sourceFileName,
, }0 L f1 [( ^) i" {0 O! f" \" t
beam_size=5,
" s' x6 E: K1 u& T# U/ c" W$ g) ^3 l
language="en",
, O Q( P1 ~, g0 F6 p
task="transcribe",
7 r, `# ?/ s/ i$ x* `) a1 c
word_timestamps=True,
0 G, n1 K$ r0 V4 y! i
initial_prompt = "Hello, welcome to my lecture.")
3 O; o8 H( c1 i. B8 n5 z
8 l5 M. q$ J. m0 x0 E1 f
for segment in segments:
9 h5 {5 B8 {( |' W/ y' B( U. w
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
- A- p+ q$ b7 v9 Q K
) S1 ]6 X* j; q+ q+ Q- e- ]1 p
for word in segment.words:
& S0 k* [3 i/ p% a4 a
% Y" \2 n+ w3 M& |
----------------------------------------
. R! y; v% h" z) O
* c3 F$ c$ i. t* ]. ]2 k. D) R
代码说明：
! b: ?0 f, u2 _; U8 n4 P7 _
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。
0 q# t& H, k/ o4 o4 M
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。
" g. K6 d6 M: w- C& |
2，segment 本身是很粗糙的，做字幕勉强能用。
! \; a. u# F5 t2 R* f& z9 B1 W
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。
1 _# B$ }/ \, r: [+ X$ r l
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
! |) h' O$ I0 F I4 o% k6 A& N
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
2 B, Y5 X6 s% N
5，model.transcribe 中参数说明：
! ?6 {* G0 c+ |3 }9 U5 Q/ \
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
' L) J6 a/ t [1 {& g7 C. y+ B
其中
2 K2 C* g8 J0 `3 `
word_timestamps=True,
( j, Q9 ~" j8 y) ?
保证了你能拿到 word，否则是拿不到的
: x6 u3 }2 q" Q* D5 ]3 |
initial_prompt = "Hello, welcome to my lecture.")
5 f& h a7 A4 i+ o
保证能尽可能准确的断句 punctuation，但是不是决定性的。
+ F/ i* Z' f0 M( f; d
其他参数可参考源文件：
- n G; Y# ~ q* ^; y5 K/ u8 j+ \
https://github.com/guillaumekln/ ... isper/transcribe.py
( m1 | W1 _6 K1 d
152 def transcribe(
& l! K, G3 R' \4 z7 _6 A
从源文件你可以看到是支持中文的句号断句的。
2 q" l# y& e. }! ?
y, I' r# L/ ?2 c3 `) z/ s9 T
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。
/ W3 R- s5 x$ m' P8 |1 A* T" I
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。
, H$ Y0 ?- N0 G) p+ `$ b
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。
1 W( p8 ~6 |/ M+ s! z8 N
5 j- U: h$ z' x: z; q
9 v" d' ?2 R! Y8 b
3 D" F( g1 F" _) ]& B2 y
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