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
, @3 w/ w2 p( D
; t4 A8 Y; W/ h% G* 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。
7 U5 A y6 \+ k0 [ k& K
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。
' ?& z! s* R6 B( K' i [1 a
----------------------------------------
* Z3 s. P" d$ l, Z n) [
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) _3 ^# v5 Z* m6 }% M1 j, c* t/ 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。
4 W4 b9 [- m8 k0 E' h
----------------------------------------
0 V6 Q3 m0 T% |0 N
https://github.com/guillaumekln/faster-whisper
3 {( `" Z3 g3 o6 F) Z
安装如下：
5 p9 c- c9 G& L; V! P
1, Windows 10
; S& w% S- T& u3 f8 V: p0 X
2, Python 3.10.11
8 m' q3 W U. Q* @1 c2 J7 Q
3, CUDA 12.1
( G3 j. \4 H" M6 i
4, 在python 3 中安装
& ?7 a2 h5 ]$ Q v5 t
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
/ T5 j [9 J. h/ ^2 w
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。
- Q: l) P0 T0 z) W
5，pip install -U openai-whisper
) a) Z, C; L1 O
这是向whisper 致敬，可以不装
8 h* y+ g% A( n# a! h3 G! S
6，pip install faster-whisper
! Q) e; X2 A W: G0 [$ C) T
----------------------------------------
: t+ M' E. v* L5 d( f0 N A
whisper 我用的命令行，faster-whisper 我用的是python。
0 Z! ~% w. T9 k( r& |* Y! y
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：
$ s/ h; d$ f* B4 [: r
, E `8 v% }: g6 v* S
----------------------------------------
$ T; }9 D+ n+ y9 H6 K3 U
1 Z- `; a" r- N" o0 K
from faster_whisper import WhisperModel
% G- r/ s& g8 m) U: T$ s' X
$ L7 R2 z q+ s
model_size = "small"
7 c# w( c! v. s, P
1 b) c% |0 x$ W! I; y+ d6 d
model = WhisperModel(model_size, device="cuda", compute_type="int8")
/ @: Z3 c+ N) I: \9 [* L
3 X9 e2 s& [/ L: r* ~2 ~" k$ w
segments, info = model.transcribe(
$ }/ A4 S6 I6 W( I: K
sourceFileName,
0 X, S/ L/ V' h( C5 f
beam_size=5,
( S+ r y5 l6 @: |
language="en",
! |2 J2 G9 q5 u, D- [% z. p
task="transcribe",
9 v( }! }7 Y5 v+ l' b. s
word_timestamps=True,
2 g9 J8 C/ l/ A9 I3 J4 B& v" Y
initial_prompt = "Hello, welcome to my lecture.")
5 D- C6 j0 h, r8 k
9 f# R$ A0 O, `7 w8 s# ~3 P
for segment in segments:
9 w9 |8 \; C. \
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
& H8 c( [/ c1 m) [- @4 L; w% @
7 X2 J* D; G: d4 r2 G
for word in segment.words:
8 g1 |1 _& C+ c& a9 U
, \: l4 n" ?# U) F' H
----------------------------------------
* c* D+ T; P- |+ w; _; Y. d
* z3 _. B: ?6 {7 e
代码说明：
D: I3 o+ h: _
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。
. F9 b# t: }* o" O# t: g W% S
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。
1 w6 T# E5 Y( ^
2，segment 本身是很粗糙的，做字幕勉强能用。
! E0 _- L& w" n
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。
: p# e4 K! x: g
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
; U N/ p. e! Y; q1 @! v
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
0 O7 n8 `+ O" L) w
5，model.transcribe 中参数说明：
; @1 t+ h- i6 g! @( C. j9 j" 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
8 E0 `9 e- H6 Y' L5 s7 _8 I5 h6 A2 |
其中
6 G% v* Y9 D& n+ r
word_timestamps=True,
5 s- }8 Z6 {6 s' e$ `4 g
保证了你能拿到 word，否则是拿不到的
' C6 r, Q' i+ n( {* [9 L1 z
initial_prompt = "Hello, welcome to my lecture.")
8 E$ r- ^1 |7 V2 p# g" B
保证能尽可能准确的断句 punctuation，但是不是决定性的。
+ ~* e& l$ o% n- L# @: W. M
其他参数可参考源文件：
+ M4 m r8 |* m7 x+ N7 n, x
https://github.com/guillaumekln/ ... isper/transcribe.py
$ r" k: ]. H0 y- _& U2 E+ B
152 def transcribe(
; V% g4 [' J' }0 B3 o4 B/ M! {
从源文件你可以看到是支持中文的句号断句的。
# f9 h' J8 Y# l: L3 i2 V
0 q* f3 v0 b/ t3 E0 _0 ], j
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。
9 }' d7 `7 q O" e2 F; D
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。
7 P( r) k- }% l
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。
" T) B& a3 ^4 ~9 |8 l, J# I4 _
2 G2 U6 @" {" ~3 I) p+ f
. c* P, C5 r/ U6 p" ], m
. z5 R- F4 x* ?! S( E ~! }$ A
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