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
( r+ [, B$ H1 _$ |
0 c. {2 s k0 _( 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。
) Z' ]( F9 W6 L5 d' Z" _
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% Z9 T. F& C4 ?% Z! K' V
----------------------------------------
9 \( N/ R' f+ E( D% ~
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。
( S* d; P' f) y& x7 @8 O' t/ ]; b
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 \2 n( ^1 z" V
----------------------------------------
) w. c. l K9 M0 j G, e
https://github.com/guillaumekln/faster-whisper
8 S; k' V% i7 M0 q+ G! d
安装如下：
; G; b" C) u7 ]" W" m7 J
1, Windows 10
f/ I4 l% R1 T( q3 h2 d
2, Python 3.10.11
4 |0 D1 z* ^$ \; {
3, CUDA 12.1
$ [. E& M: B4 U* D
4, 在python 3 中安装
! P2 {3 k. E$ S0 ?
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
" G7 D/ Z- c5 ^+ N0 {* v+ h
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。
$ s3 b) a3 v8 E3 d' l o- G
5，pip install -U openai-whisper
, y5 g M0 {" X
这是向whisper 致敬，可以不装
9 G* w, e3 X8 R
6，pip install faster-whisper
: A& ?8 g* [& n
----------------------------------------
4 h* t, J6 C' }
whisper 我用的命令行，faster-whisper 我用的是python。
' h+ ?9 {; [) q" i2 _& k" O; O
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：
5 R/ L. }1 T6 B' ~; @
! @( S- l" l& p7 K: v4 U
----------------------------------------
8 P, O9 o" v" M }2 x
; @$ G, f! j9 c+ o5 X
from faster_whisper import WhisperModel
! }. ]% i9 R7 s" {7 ^
, j5 \8 S' x6 {* M6 T
model_size = "small"
! i5 ]1 [6 |1 u9 S* M
# C3 R# F4 ?9 d/ |/ r) Q
model = WhisperModel(model_size, device="cuda", compute_type="int8")
( ]& ?) p3 r" f" Q% U" H3 |9 G
, z, j7 b# T& \8 ^' a
segments, info = model.transcribe(
+ k+ Z; J; F$ U. {6 n; Z
sourceFileName,
4 E4 P) e% G; z1 e2 D! b' O2 y
beam_size=5,
, n. S0 `/ z. z" o) g: T) m9 g8 Y6 ?
language="en",
F+ ?7 M6 s7 s9 j5 Z9 _& V9 Z. m: J
task="transcribe",
+ e# A% d, @; Y2 _& k% l
word_timestamps=True,
0 [; D/ L! r8 T8 C
initial_prompt = "Hello, welcome to my lecture.")
" p' f9 [; M: D4 x' r
) |1 H4 Z& R" S5 ~
for segment in segments:
* E# I1 I- d5 }3 X# }6 [& y
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
6 R5 S, P9 ]5 [) ^" g
2 D( P) k1 E! r8 k( }# z: M+ F
for word in segment.words:
' x( Y% Z! {. b) \% b3 Q
# Y+ C2 N7 U# M
----------------------------------------
8 D5 Z F0 M1 C Q7 v* Y8 B; n
* z \/ U3 f7 r6 q) p2 I
代码说明：
$ ]0 ~5 l4 X. L- U o
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。
0 e1 P2 X' y' O% Z1 X1 t
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。
+ v! ~) N% ^2 @5 l! o1 q( u
2，segment 本身是很粗糙的，做字幕勉强能用。
$ b7 H" Y) |8 D3 ~! o. Y/ W
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。
- `% W# S6 B- L8 p: s- ~, i
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
$ I- j# O% C" U" P- N
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
% V; R2 I k- l4 U- M
5，model.transcribe 中参数说明：
! g! R: m: H; Z2 w
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
- C& C% Z F7 F0 v" [+ l- s
其中
3 @: B9 F( y" ?, i7 |
word_timestamps=True,
z0 u: u5 e% z! |1 u
保证了你能拿到 word，否则是拿不到的
; L0 h, r6 P9 i( I
initial_prompt = "Hello, welcome to my lecture.")
: y+ E$ T- h. t
保证能尽可能准确的断句 punctuation，但是不是决定性的。
$ N+ G I: X/ a7 e% p4 O w6 z
其他参数可参考源文件：
5 N0 [( e0 D7 c/ C, s2 F
https://github.com/guillaumekln/ ... isper/transcribe.py
0 J0 @+ Q0 ?: T# Y: T
152 def transcribe(
$ {0 l, B0 I& D7 U* T6 N
从源文件你可以看到是支持中文的句号断句的。
* Y, `" p6 }, }' u5 D; g/ e0 @# v
& ~0 w7 e$ m1 X% P( g! T
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。
8 ?6 }& ~& C g. Q" H# M
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。
. ^" _- l6 ?3 T
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。
, Z4 r" D3 c1 [' R% Y( @. o6 L
' K4 S. _5 k0 t7 L2 G5 H
9 p: s1 U, T5 R* }, y
' e- y- _* @9 _
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