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
& |4 r% @) K. }6 h% |0 l
3 M$ F" m1 m5 f: b7 k* m) A6 q, 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。
- a2 y+ l$ Z0 S# T, ^
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。
/ \/ f* C7 Y. G; I7 a
----------------------------------------
% w) I: j! L) 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。
' q" H: Q+ K7 h+ b1 Y, d
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。
9 G/ D# j8 ^# E' h; k
----------------------------------------
" Z- l) U, r" n
https://github.com/guillaumekln/faster-whisper
" e' \ X+ f+ q5 H. \
安装如下：
0 @0 p( }' B: }: B) z$ N/ x
1, Windows 10
9 |9 Y8 g& P: @7 z- m6 |1 t
2, Python 3.10.11
! B/ X( m& K; g: ^4 X' D
3, CUDA 12.1
- {9 O9 n& n2 T2 j9 g0 _. L9 ^( y8 _) R% m
4, 在python 3 中安装
5 z L7 T3 @ d
pip install setuptools-rust torch torchvision torchaudio --extra-index-url
https://download.pytorch.org/whl/cu117
: K: p! ^$ {+ d7 m- B) h% T3 R
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。
: Q3 q# P& }% O2 g- C- D
5，pip install -U openai-whisper
1 d* k: i0 c- d
这是向whisper 致敬，可以不装
1 `+ Z! a& F0 }. r# `# i
6，pip install faster-whisper
) a# e0 R! \/ e
----------------------------------------
4 z# y( m7 I; I% W
whisper 我用的命令行，faster-whisper 我用的是python。
; z* v4 _, B5 C9 i% W: B+ N6 G9 q+ z
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 L9 C2 }* \9 Q: } n1 d
- ?1 [: b7 P* E- q) R" X( E% b7 m
----------------------------------------
7 C* L; J1 c, C0 z
) N* F' W, M# {; j- c
from faster_whisper import WhisperModel
6 R8 x: a7 ~- {' Z0 z
2 k: I* r/ h" c" c. @' C
model_size = "small"
. K8 ?( Q) j l; M! h1 h1 Q
) I! n$ N8 K! X3 B
model = WhisperModel(model_size, device="cuda", compute_type="int8")
: \% Y, H+ P* r$ x3 [. p9 }
4 M; s) I _" d @/ b& r, S
segments, info = model.transcribe(
m, I/ Y0 K. T( M3 h' b
sourceFileName,
& j2 V5 g. q2 c) `
beam_size=5,
7 J: @+ \3 e, d2 ]& n' ]" ~* G
language="en",
0 |" Y+ o! ?9 R* V d( a
task="transcribe",
& [. v' @: h+ V+ {. g/ i
word_timestamps=True,
& R. d- A% _8 |1 Z4 J$ |+ R/ O) y+ P& B
initial_prompt = "Hello, welcome to my lecture.")
0 b2 h% r& x- J4 i& k( L- D) \
6 `/ Z) v$ J @2 e3 u7 J
for segment in segments:
2 L h y9 C8 u R6 A' {
print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
4 K7 N F9 t) O% d/ [2 S
% ?( i) E4 `( H4 W
for word in segment.words:
$ f; ^, \8 E) K) R& o* Y
. Z8 s. {6 O$ j H! K
----------------------------------------
0 w- c: D0 O# k- E
0 {/ d7 E& @: T) r" Z
代码说明：
, y6 p8 o0 j0 o) I, |- J
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。
8 S6 j _/ ]2 S$ |3 o& V+ O
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。
5 a) b5 t6 Q7 v# g. ?
2，segment 本身是很粗糙的，做字幕勉强能用。
; w* T, d& m# }/ |9 l+ 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。
2 ^: J+ Y, c; V' z2 q4 J- l7 @' R; {$ q% w
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
# D" M$ v) ~" P: B2 r
比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
- z8 g$ j! H% k) w& G
5，model.transcribe 中参数说明：
& ^$ \# j5 ]! v$ W- Z# E
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
: e) x, N0 @: {0 \5 n4 X. {* K. {3 {
其中
% l9 C/ F7 h7 A+ p! n% T' T
word_timestamps=True,
9 V+ ]9 U3 E! f9 |* O$ m r
保证了你能拿到 word，否则是拿不到的
r. f3 i! c, L- q
initial_prompt = "Hello, welcome to my lecture.")
9 J8 X U0 u0 a. V) X1 h) N" T
保证能尽可能准确的断句 punctuation，但是不是决定性的。
# _. B0 }* q+ H3 @& L3 d4 y7 }4 v
其他参数可参考源文件：
8 I) p Y: P2 N& T0 p
https://github.com/guillaumekln/ ... isper/transcribe.py
3 i5 D* ~, q& f' z k
152 def transcribe(
) g& Y' F$ Z& ?
从源文件你可以看到是支持中文的句号断句的。
$ W. n/ n4 _3 E7 `+ u# m
2 Z0 M& M: N/ v q
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。
! e( Q) m9 C- }" l; y
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。
9 k* Y6 q9 n9 N' V
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。
, L3 c4 G5 W) D! Y. {$ V6 M, g
# `/ O! z- |5 D1 g9 V& W
9 R) {" K" Q( `; H8 J; l
3 l! B8 q; n- O1 A" Y% X
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