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

7 U, G, u1 c# h" {# I
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。
0 e) a; @& r( t9 X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。
----------------------------------------
& _; q  M$ ^1 r& y: y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。
: w+ O& w3 F5 _4 ]7 F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! G" @8 d# }# O- P4 _+ {----------------------------------------
8 |3 U6 Q& G3 g4 ?/ hhttps://github.com/guillaumekln/faster-whisper
安装如下：
/ e- y# ]/ E) v3 M1 H1, Windows 10
# F# [5 h; i1 g9 X& L6 o5 O2, Python 3.10.11
3, CUDA 12.1
4, 在python 3 中安装
pip 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。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
$ Y( g% f) ^: p  S6，pip install faster-whisper
----------------------------------------
# T# e  _  y5 x- Dwhisper 我用的命令行，faster-whisper 我用的是python。
$ S6 t* n" M& d7 E8 r$ r2 b- s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：

+ h- C5 r, C* L9 z----------------------------------------

from faster_whisper import WhisperModel

' O5 r# B/ t5 f" }5 `model_size = "small"
* y+ U- J1 y+ S8 w+ D
0 q4 \! z* c5 m/ ^) _, smodel = WhisperModel(model_size, device="cuda", compute_type="int8")
% V# L) |4 o/ f" q4 \# t
segments, info = model.transcribe(
    sourceFileName,
. a- Z: b9 y0 S0 H- V2 H1 a+ |* R; u    beam_size=5,
    language="en",
2 f/ e/ o4 [8 y- V- }( z' o1 P' r    task="transcribe",
& Z, E8 x! R- E5 b, P! |* R    word_timestamps=True,
' T% F( B2 a! f! C& `    initial_prompt = "Hello, welcome to my lecture.")
* P0 W9 a6 `9 S8 {
" r9 ~* L9 m0 H8 y/ [, Lfor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
; d; [( I4 V. ^7 c2 {, D% u4 U9 {
        for word in segment.words:
+ `! ?* `% E" }: e. Y& \, |) P  Q               
----------------------------------------
% o0 i  M8 u- Q) D$ s$ _
- L# I$ O5 t# F" d3 Z! ^代码说明：
; g9 _' g2 P: r* d+ c  }! x$ |3 w1，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。
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。
2，segment 本身是很粗糙的，做字幕勉强能用。
# d! e! B9 o. S' W3 C3，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。
  J, H: J5 B: k+ y' x4，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。
! }1 O0 a6 J; A5，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
! a3 E& j. J% }- T, G9 I3 h其中
6 @: p. `2 I# P$ T* G    word_timestamps=True,
) x; [4 G1 I- _5 G) D% }: F保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
8 \/ P1 g  K) Y7 S* Q保证能尽可能准确的断句 punctuation，但是不是决定性的。
/ Q& r0 D( t( O: }% Q4 }: r其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
152 def transcribe(
) L. l0 U9 K- ?2 B从源文件你可以看到是支持中文的句号断句的。
. ]& s% x9 ?0 `+ v
* B  h9 |1 |$ I( [! p6，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。
9 A* l( N9 @' x$ l) M4 G/ h& A7，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。
' Q/ O  G5 m8 }- q6 \/ _3 T: q% r$ X' x
! G3 E! P1 l7 ?# r+ w# p
- i0 i( ]7 k+ s, d1 P& h

---

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