设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 4472|回复: 1
打印 上一主题 下一主题

[信息技术] faster-whisper 更快的语音到文字的识别 ASR

[复制链接]

该用户从未签到

跳转到指定楼层
楼主
 楼主| 发表于 2023-6-4 02:10:18 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式
本帖最后由 nanimarcus 于 2023-6-4 02:24 编辑 5 Z# X* j6 i) `4 i5 t
/ n& e4 x% f% l4 A
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。: Q7 U6 n: a1 ?0 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。' S5 H, J9 ?9 C& J
----------------------------------------
: l/ s- g# f+ ~6 m( ]5 a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- `* q4 `! j, x, B1 V  F! s7 Z
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。
; O% T, a. V! i) ^7 E9 ?----------------------------------------
, G5 @: h, d. H3 M" nhttps://github.com/guillaumekln/faster-whisper
* o6 p( y+ b% k/ J8 [, [安装如下:3 m7 C9 P# c# B0 e0 X3 K" [$ c
1, Windows 10
) x4 G6 Y1 ?  c& b. R) J9 h2, Python 3.10.11
: w7 z. i' K: G" }; @+ i3, CUDA 12.1
/ o: w1 O. O* H. R4, 在python 3 中安装
0 K8 u; _1 \- Cpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117& m. u4 G' p3 l5 D2 K
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。
3 g) x% u- q2 A1 t4 T& x+ a5,pip install -U openai-whisper: L( W! ^  n& x0 k! C$ r3 z
这是向whisper 致敬,可以不装
2 z1 b+ \) |- {8 Y) S, ]" ~6 ]6,pip install faster-whisper3 k: O1 i$ v$ \4 x+ B, P: L/ Y
----------------------------------------
4 O' l0 Q9 V& h/ `whisper 我用的命令行,faster-whisper 我用的是python。
+ S* x- t8 ^* r0 m( L" 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:
. {9 i" H2 ^: ?1 S9 W1 @  T- [( U. h4 x: `: P2 i
----------------------------------------
7 B8 N) z  Q  ~5 Q
6 B- A* ~9 A. F4 T6 E, w5 {( ^from faster_whisper import WhisperModel) i) J+ a; d; P6 ~0 X6 o
+ C! U7 ?* K$ x6 t5 A" Q7 F, q
model_size = "small"' ?8 e8 E# R5 {( ~& y

- ?: o) i6 ?* p! wmodel = WhisperModel(model_size, device="cuda", compute_type="int8")# B& }  Q. i6 ]: O' k/ X$ P
$ A6 q& O/ c; X3 \1 D1 {3 u. y" R; M2 |
segments, info = model.transcribe(
+ T3 R/ p: S- {0 R# n6 w" y* M( L    sourceFileName,
7 d1 _5 `& g. Y9 y. D4 l    beam_size=5,
. C" l- E0 O0 ?    language="en",
; F5 o. n. M, h' P    task="transcribe", + j& r+ g3 M6 y' \) \
    word_timestamps=True, 7 u1 l' S$ ~8 e4 k: [" U4 U
    initial_prompt = "Hello, welcome to my lecture.")
& \/ f' k  y0 o$ u5 v/ P# z
% N. t* q! I' t8 k3 Y6 Jfor segment in segments:
+ ^6 |+ s% f' R    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))& N" L5 F9 M5 J* a. @

4 [. M4 E' y7 c7 O) U        for word in segment.words:
  z' J! {' ^0 _$ l5 l               
3 R, ]2 `/ t2 Q' j1 i8 J----------------------------------------5 T1 D6 N2 n9 d7 b/ J3 Q* i+ E
  n5 J. G, w; j, b4 A
代码说明:
: x- g1 X  w" r6 O; k3 N1,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。
3 x! H5 H  L/ S1 w* J4 o  M7 v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。
# l2 I6 h/ B0 B! S3 ~6 F% k2,segment 本身是很粗糙的,做字幕勉强能用。
. l+ P' \. [0 p, K" X) d! Z3,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。
+ Z2 X: f  q- f4,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
  D: l1 x& C' `; G+ `/ r. _+ ^, 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。- ], Q% {+ ~  @
5,model.transcribe 中参数说明:
0 H: z- D+ U8 X  j4 J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3 h! i0 S6 x, m
其中  ~( ^4 ?4 u1 ^$ m- R
    word_timestamps=True, , U2 h" ^6 |2 Q
保证了你能拿到 word,否则是拿不到的& K$ [, n$ i& ^) Z
    initial_prompt = "Hello, welcome to my lecture.")
3 @) J* O' |2 w7 n保证能尽可能准确的断句 punctuation,但是不是决定性的。
# t  ~/ {8 V5 k8 I. t其他参数可参考源文件:  L9 B9 }9 K' k5 g- F
https://github.com/guillaumekln/ ... isper/transcribe.py
& Z, e. C" r' V/ l7 l152 def transcribe(
- ~% Q7 L' i0 {. v: o从源文件你可以看到是支持中文的句号断句的。
* h- Q4 h, e, }! e* c- w) _6 ?( _0 M4 |2 c9 ~3 W2 d4 G
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。
; x, N& b9 Y! W7,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。
1 j" X8 O8 g6 T0 G8,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。8 e( o+ r  s* k  q" `/ v# z( ]

0 |' U8 B( [$ Y3 [, q* Q
- k" \9 d$ m% s
' a9 E; A2 e+ N( \& l+ p0 R2 i3 [

评分

参与人数 4爱元 +32 收起 理由
蓦然回首 + 8
唐家山 + 4
老票 + 12
老财迷 + 8

查看全部评分

该用户从未签到

沙发
 楼主| 发表于 2023-6-4 11:53:23 | 只看该作者
多谢各位榜爷打赏。
回复 支持 反对

使用道具 举报

手机版|小黑屋|Archiver|网站错误报告|爱吱声   

GMT+8, 2025-6-13 14:23 , Processed in 0.037315 second(s), 18 queries , Gzip On.

Powered by Discuz! X3.2

© 2001-2013 Comsenz Inc.

快速回复 返回顶部 返回列表