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
- v" t" X0 `' F6 }: Z$ |* m+ Q2 S9 z9 a
' X" g* u* Z, a/ p% G3 q2 `
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。
- f2 x# X2 r$ A! A8 t/ Y
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。
3 N9 o# _- `& q2 l
----------------------------------------
1 B) h. u9 m1 G9 h7 p+ C9 H
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。
0 a; {3 `+ b* p' l4 m
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。
6 ?3 ]. b ~6 W) y. {0 n+ f
----------------------------------------
* p' n$ {' M0 ^3 x+ J1 Z* k
https://github.com/guillaumekln/faster-whisper
# T- u8 v, _9 {
安装如下：
3 T+ u0 @" S$ O6 ^: ^8 E6 t
1, Windows 10
" P( g3 [# e) J& y
2, Python 3.10.11
* p5 B, y& F/ t" [) K) C) W
3, CUDA 12.1
7 e) E% x3 D, e3 U9 z/ I
4, 在python 3 中安装
& Z H M" w! D% W& C
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
h% f, Q6 N; a9 y4 N6 B" g
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。
+ p* W; d/ w+ v$ p) f9 o
5，pip install -U openai-whisper
' {! i7 N8 ~; ~+ k' w7 P3 V
这是向whisper 致敬，可以不装
/ i; A: {, d/ P: K5 D
6，pip install faster-whisper
2 v& n' C; {% t$ o& j7 h( g! K
----------------------------------------
w$ o1 d$ I9 J
whisper 我用的命令行，faster-whisper 我用的是python。
. @5 f( K9 i; m
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：
, G; n6 q+ u) \( {" W) i
5 R/ W0 k3 p6 g: c, F; {
----------------------------------------
9 d4 Y) {1 {1 o# V8 u9 n3 X
+ F' Q5 p$ K0 B! q
from faster_whisper import WhisperModel
6 P) i9 `% V+ O* `% h9 T# C1 _
9 I( Q4 G* V, I* n* z
model_size = "small"
( M3 C! N! ^% K. u0 V9 ]9 O4 Z
3 l' ?/ _( G# g- P' v9 T
model = WhisperModel(model_size, device="cuda", compute_type="int8")
' y4 }3 n- E4 z7 _1 b
2 b' \+ ^+ t7 F. c! p S
segments, info = model.transcribe(
( T3 V; c: J4 Z5 T: M- _
sourceFileName,
0 D z0 D( t. h) l1 R8 p! C
beam_size=5,
1 t6 i* z/ \) z9 ]8 }% N
language="en",
# K) D- l/ K8 f2 H! E
task="transcribe",
: o. E# b( j& A
word_timestamps=True,
0 r- G# D5 H% r/ L6 f
initial_prompt = "Hello, welcome to my lecture.")
5 O0 V7 p6 A- g* ` {' V
3 A3 m# b6 T$ R1 m0 e$ K
for segment in segments:
" G! d& E/ V" d) S& Q! P2 {
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
1 V @1 c& @7 g3 V' E x( m
f' Y" e! \( @* l& l& Y; Z. N
for word in segment.words:
9 x" v* z, z* ~
0 y+ g) @9 P6 V% n4 z$ I+ i6 j2 y+ t( r
----------------------------------------
6 J/ H+ ^# C! o; v7 o: M8 B1 w
; d* I* ]/ d9 U" P. F1 _" H# C
代码说明：
: `6 y# ]: \0 E V& s: u9 W
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。
% ` H7 ^( Q; C$ k' M$ |9 o! 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。
! I9 d2 I. w; d. g& z* h: f. h
2，segment 本身是很粗糙的，做字幕勉强能用。
2 e0 j) s' o$ c9 Z9 Y
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。
0 Z/ }+ j) s- `+ _4 U2 U
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
# M2 S7 {( f2 v: F
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 `6 |# n7 n+ c% B' J$ [
5，model.transcribe 中参数说明：
1 y" w X5 H, U1 N0 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
$ }" j8 `+ t; n" @, H0 p
其中
, b6 U! P% w9 l) v' [! [
word_timestamps=True,
! Q9 `1 N4 ~* B, D
保证了你能拿到 word，否则是拿不到的
( s9 H4 g; H6 `0 _' q
initial_prompt = "Hello, welcome to my lecture.")
7 d4 m$ f6 G$ B" o5 w
保证能尽可能准确的断句 punctuation，但是不是决定性的。
5 ?; y, Y+ o l# ]$ h
其他参数可参考源文件：
- _: q2 Y* m; g2 ?% G" ?
https://github.com/guillaumekln/ ... isper/transcribe.py
# W' e4 o% c/ E0 l
152 def transcribe(
! H& u9 O9 Y6 i4 I
从源文件你可以看到是支持中文的句号断句的。
; f# n6 n; v7 P
6 S& b, A) Q7 A* w2 f
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。
& p3 _4 N, B5 S! I5 l9 M0 E/ u
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。
$ V) s- x) F, W* S6 A; l( z+ G; d: p
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。
6 o* h2 }9 y5 M" ?4 q! [. Z
5 ?* |' D3 `, @
* @0 b+ o% o) S; B
j4 Z; C) u% ?
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://www.aswetalk.net/bbs/)
Powered by Discuz! X3.2