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
, q1 t b2 X( q9 I# e
# Q# m/ | y% g! |
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。
; J% D: O0 r3 Y* Q, P
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。
9 x K, k5 m; K7 c3 V, _
----------------------------------------
/ R# |$ B \8 j* b
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。
: ?/ A* s) r$ Q
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。
) f& l5 U- j) @% V3 C2 B5 k
----------------------------------------
$ t; p3 S$ f) K& O. u P1 f' _
https://github.com/guillaumekln/faster-whisper
! u; I5 H" A6 @6 H5 {
安装如下：
8 m" q5 F3 Y# J i. M0 Z$ A
1, Windows 10
" z! C( H- X( l
2, Python 3.10.11
" g7 J/ S. v4 X( V) B7 N
3, CUDA 12.1
4 W* x4 O3 }: @
4, 在python 3 中安装
; C# ~+ z: b' }1 h# `4 K1 o( f
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
: c1 |$ _, _$ I: V4 K' l
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。
- D9 l n% I! D& ~. Y. r( R) N7 P
5，pip install -U openai-whisper
- l& v- K1 P2 X) D w/ \ s
这是向whisper 致敬，可以不装
; ]) W9 r7 ~/ J0 l" S
6，pip install faster-whisper
9 b2 ]2 |5 p$ t" j3 `* r
----------------------------------------
1 A& i7 p" x+ Q2 n5 \
whisper 我用的命令行，faster-whisper 我用的是python。
; ^; w$ d @! ^) E- T: u
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：
0 ?% B4 L J i; j# _ Y
, |: v5 b5 I; T- f5 n& w
----------------------------------------
* ~/ r4 R$ z! ^2 w2 f5 [0 q* w
- s% r6 ]" n1 L7 J& H! [
from faster_whisper import WhisperModel
6 K- T. s- Q/ X: {! P
0 ?( f. B' T, X! t o
model_size = "small"
0 P- ^0 d) q5 v6 V% N
9 h: n/ F# u( E1 b& x% G
model = WhisperModel(model_size, device="cuda", compute_type="int8")
6 W* h+ `; p z4 L1 G* c, {
3 |( j2 `/ x7 n" m0 I! v
segments, info = model.transcribe(
3 T2 Q ?1 O. W. {
sourceFileName,
( _' V; R) P& K& [! n7 @: S. \6 W
beam_size=5,
0 w* ^, o* T: T2 y
language="en",
, O4 u$ P& V8 r' E
task="transcribe",
}6 G% L- q, J. ]* O: m/ x' g
word_timestamps=True,
2 |6 ]6 S- @1 ` ]+ U
initial_prompt = "Hello, welcome to my lecture.")
% Q0 h+ G8 v4 ^( m3 o a0 g4 @( [# g2 R
9 }$ }4 o" F g* V: u! E. }
for segment in segments:
6 @" X/ T4 z/ E" J; n
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
) Q: s0 J- a5 e3 E1 n6 T
c6 M# o6 v: g
for word in segment.words:
4 m" D+ ^% ]. l4 r
& z' d+ n& `) Y. ^; d
----------------------------------------
) [# j- K5 B- v' o* L
7 W4 v/ I* b8 l( C r# I
代码说明：
2 ^3 M. c! `( W! c" z9 @1 ~
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。
5 m: {3 k: y' I( f5 G* U
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。
( u8 J& y: @/ W/ W1 F: s0 ]9 x5 R
2，segment 本身是很粗糙的，做字幕勉强能用。
: e& J4 _2 H+ I& _" o( ]
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。
$ n) G2 ?5 m h, ?8 G" v# \$ 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
5 T6 H, m2 V! S* r* s- z% o
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
! Z& V0 f' D; u. O
5，model.transcribe 中参数说明：
9 `$ U# A9 F' |0 ] A4 f9 R
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
9 k7 F; x" ~" f" _3 {
其中
( m. O3 U# r- l% F
word_timestamps=True,
; P, R+ ^; \ T' P
保证了你能拿到 word，否则是拿不到的
" T2 f4 s o# ^. M. W0 ]8 {- U5 [
initial_prompt = "Hello, welcome to my lecture.")
' ?+ K4 r! B1 A2 W
保证能尽可能准确的断句 punctuation，但是不是决定性的。
, B {4 v" R+ X
其他参数可参考源文件：
' M' O% j& X* e. m
https://github.com/guillaumekln/ ... isper/transcribe.py
& [0 T9 w' J6 y' ^: V
152 def transcribe(
- b% J4 F; E# L7 p8 i
从源文件你可以看到是支持中文的句号断句的。
( s: K+ ~) m. v! A/ T/ C
0 ~; Q5 c/ o% w- r- Q5 Z
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。
; b4 N0 y8 F4 H$ G4 T8 r
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。
( \" e+ n O+ J- k" J& ~8 }
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。
; U2 F1 A+ |& d4 K6 t
1 S8 r! K0 d! {
& i- N9 B% D" H7 { y! }
8 b' C* d, f8 S3 R
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