1、whisper简介
-
Whisper是一个通用的语音识别模型。它是在不同音频的大型数据集上训练的，也是一个多任务模型，可以执行多语言语音识别、语音翻译和语言识别。
-
whisper有五种模型尺寸，提供速度和准确性的平衡，其中English-only模型提供了四种选择。下面是可用模型的名称、大致内存需求和相对速度。
- github链接：https://github.com/openai/whisper
2、方法
一种 Transformer 序列到序列模型被训练用于各种语音处理任务，包括多语种语音识别、语音翻译、口语语言识别以及语音活动检测。这些任务共同以一个需要被解码器预测的符号序列的形式进行表示，从而使得单个模型可以替代传统语音处理管道中的多个阶段。多任务训练格式使用一系列特殊的符号作为任务指示符或分类目标。
3、环境配置
conda create -n whisper python=3.9
conda activate whisper
pip install -U openai-whisper
sudo apt update && sudo apt install ffmpeg
pip install setuptools-rust
4、python测试脚本
- 以轻量级tiny模型为例，测试脚本如下：
import whisper
model = whisper.load_model("tiny")
result = model.transcribe("sample_1.wav")
print(result["text"])
测试结果如下：
- 如果要测试large模型，需要16GB以上的显卡才行。
注：以上测试脚本暂不支持多gpu，这是因为有可能在一个GPU上加载编码器，在另一个GPU上加载解码器。
如果想通过多gpu测试，可尝试以下方法：
- 首先更新包，以便它有最新的提交
pip install --upgrade --no-deps --force-reinstall git+https://github.com/openai/whisper.git
- 然后，参考以下脚本：
import whisper
model = whisper.load_model("large", device="cpu")
model.encoder.to("cuda:0")
model.decoder.to("cuda:1")
model.decoder.register_forward_pre_hook(lambda _, inputs: tuple([inputs[0].to("cuda:1"), inputs[1].to("cuda:1")] + list(inputs[2:])))
model.decoder.register_forward_hook(lambda _, inputs, outputs: outputs.to("cuda:0"))
model.transcribe("jfk.flac")
多gpu脚本参考连接：https://github.com/openai/whisper/discussions/360
- 测试large模型（显存>=16GB），输入音频，输出文本（中文简体），需要设置initial_prompt，不然输出的可能是中文繁体
import whisper
import os
model = whisper.load_model("large")
prompt='以下是普通话的句子'
result = model.transcribe(file_path, language='zh',verbose=True, initial_prompt=prompt)
print(result["text"])