Insanely Fast Whisper：快速高效的转录语音为文本的开源项目

综合介绍

insanely-fast-whisper是一个结合了OpenAI的Whisper模型和各种优化技术（如Transformers, Optimum, Flash Attention）的音频转录工具，提供了命令行界面（CLI），旨在快速高效地转录大量音频。它使用Whisper Large v3模型，能够在不到98秒的时间内转录150分钟的音频内容。用户可以通过GitHub仓库了解更多详情、安装指南和使用帮助。

多发言人识别

pyannote.audio是一个用Python编写的用于扬声器diarization的开源工具包。基于PyTorch机器学习框架，它具有最先进的预训练模型和管道，可以进一步对自己的数据进行微调，以获得更好的性能。

faster-whisper + pyannote.audio 实现语者识别，实际上只要将二者的识别结果进行结合即可

官方仓库：https://github.com/pyannote/pyannote-audio

功能列表

使用Whisper Large v3模型进行音频转录
采用Transformers, Optimum, Flash Attention等技术
提供CLI界面
支持不同的优化类型并展示基准测试

使用帮助

安装: 利用pip进行安装和配置
使用: 直接通过命令行传递参数并运行转录任务
获取帮助: 访问GitHub仓库阅读文档和社区交流

https://github.com/SYSTRAN/faster-whisper项目编写的google colab代码

# 安装必要的库

get_ipython().system('pip install faster-whisper')

# 导入必要的库

from faster_whisper import available_models

import torch

import ipywidgets as widgets

from IPython.display import display, clear_output

import os  # 导入操作系统库，用于处理文件操作

import gc  # 导入垃圾回收库

# 自动检测设备类型并选择GPU或CPU

device = "cuda" if torch.cuda.is_available() else "cpu"

model_size = "large-v2"  # 默认选择模型大小

compute_type = "float16" if device == "cuda" else "float32"  # 如果使用CPU，则切换到float32

# 获取可用模型的列表

models_list = available_models()

# 默认语言列表

supported_languages = ['en', 'fr', 'de', 'zh', '...']  # 使用默认的语言列表

default_language = 'zh' if 'zh' in supported_languages else supported_languages[0]  # 如果列表中有'zh'，则使用它作为默认值；否则使用列表中的第一个值

 

# 创建GUI界面

model_label = widgets.Label('选择模型:')

model_dropdown = widgets.Dropdown(options=models_list, value=model_size)

language_label = widgets.Label('语言:')

language_dropdown = widgets.Dropdown(options=supported_languages, value=default_language)

beam_size_label = widgets.Label('Beam大小:')

beam_size_slider = widgets.IntSlider(value=5, min=1, max=10, step=1)

compute_type_label = widgets.Label('计算类型:')

if device == "cuda":

    compute_type_options = ['float16', 'int8']

else:

    compute_type_options = ['float32']  # 如果是CPU，则锁定为float32

compute_type_dropdown = widgets.Dropdown(options=compute_type_options, value=compute_type)

mode_label = widgets.Label('Format Mode:')

mode_dropdown = widgets.Dropdown(options=['normal', 'timeline', 'subtitle'], value='normal')

initial_prompt_label = widgets.Label('初始提示:')  # 新增的初始提示标签

initial_prompt_text = widgets.Text(value='')  # 新增的初始提示输入框

file_name_text = widgets.Text(description='文件名:', value='/content/')  # 允许用户输入文件名

transcribe_button = widgets.Button(description='转译')

output_area = widgets.Output()

 

# 定义转译函数

def transcribe_audio(b):

    with output_area:

        clear_output()

        print("开始转录...")

        from faster_whisper import WhisperModel  # 动态导入WhisperModel：在需要时导入以节省RAM

        try:

            file_name = file_name_text.value  # 使用用户输入的文件名

            initial_prompt = initial_prompt_text.value  # 使用用户输入的初始提示

            # 确保文件存在

            if not os.path.exists(file_name):

                print(f"文件 {file_name} 不存在，请检查文件名和路径是否正确。")

                return

            # 获取选取的模型

            selected_model = model_dropdown.value

            selected_compute_type = compute_type_dropdown.value

            selected_language = language_dropdown.value

            # 创建新的模型实例并做转译

            model = WhisperModel(selected_model, device=device, compute_type=selected_compute_type)

            try:

                # 转译音频

                segments, info = model.transcribe(file_name, beam_size=beam_size_slider.value, language=selected_language, initial_prompt=initial_prompt)  # 新增的初始提示参数

                # 打印结果

                print("Detected language '%s' with probability %f" % (info.language, info.language_probability))

                for segment in segments:

                    if mode_dropdown.value == 'normal':

                        print("%s " % (segment.text))

                    elif mode_dropdown.value == 'timeline':

                        print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

                    else:  # subtitle

                        start_time = "{:02d}:{:02d}:{:02d},{:03d}".format(int(segment.start // 3600), int((segment.start % 3600) // 60), int(segment.start % 60), int((segment.start % 1) * 1000))

                        end_time = "{:02d}:{:02d}:{:02d},{:03d}".format(int(segment.end // 3600), int((segment.end % 3600) // 60), int(segment.end % 60), int((segment.end % 1) * 1000))

                        print("%d\n%s --> %s\n%s\n" % (segment.id, start_time, end_time, segment.text))

            finally:

                # 删除模型实例以释放RAM

                del model

        except Exception as e:

            print("An error occurred during transcription:")

            print(str(e))

        finally:

            # 调用垃圾回收

            gc.collect()

        print("转录完成。")

 

# 组装GUI界面

display(model_label, model_dropdown, language_label, language_dropdown, beam_size_label, beam_size_slider, compute_type_label, compute_type_dropdown, mode_label, mode_dropdown, initial_prompt_label, initial_prompt_text, file_name_text, transcribe_button, output_area)

transcribe_button.on_click(transcribe_audio)

from pyannote.core import Segment

def get_text_with_timestamp(transcribe_res):
timestamp_texts = []
for item in transcribe_res:
start = item.start
end = item.end
text = item.text.strip()
timestamp_texts.append((Segment(start, end), text))
return timestamp_texts

def add_speaker_info_to_text(timestamp_texts, ann):
spk_text = []
for seg, text in timestamp_texts:
spk = ann.crop(seg).argmax()
spk_text.append((seg, spk, text))
return spk_text

def merge_cache(text_cache):
sentence = ''.join([item[-1] for item in text_cache])
spk = text_cache[0][1]
start = round(text_cache[0][0].start, 1)
end = round(text_cache[-1][0].end, 1)
return Segment(start, end), spk, sentence

PUNC_SENT_END = [',', '.', '?', '!', "，", "。", "？", "！"]

def merge_sentence(spk_text):
merged_spk_text = []
pre_spk = None
text_cache = []
for seg, spk, text in spk_text:
if spk != pre_spk and pre_spk is not None and len(text_cache) > 0:
merged_spk_text.append(merge_cache(text_cache))
text_cache = [(seg, spk, text)]
pre_spk = spk

elif text and len(text) > 0 and text[-1] in PUNC_SENT_END:
text_cache.append((seg, spk, text))
merged_spk_text.append(merge_cache(text_cache))
text_cache = []
pre_spk = spk
else:
text_cache.append((seg, spk, text))
pre_spk = spk
if len(text_cache) > 0:
merged_spk_text.append(merge_cache(text_cache))
return merged_spk_text

def diarize_text(transcribe_res, diarization_result):
timestamp_texts = get_text_with_timestamp(transcribe_res)
spk_text = add_speaker_info_to_text(timestamp_texts, diarization_result)
res_processed = merge_sentence(spk_text)
return res_processed

def write_to_txt(spk_sent, file):
with open(file, 'w') as fp:
for seg, spk, sentence in spk_sent:
line = f'{seg.start:.2f} {seg.end:.2f} {spk} {sentence}\n'
fp.write(line)

 

import torch
import whisper
import numpy as np
from pydub import AudioSegment
from loguru import logger
from faster_whisper import WhisperModel
from pyannote.audio import Pipeline
from pyannote.audio import Audio

from common.error import ErrorCode

model_path = config["asr"]["faster-whisper-large-v3"]

# 测试音频： https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/asr_speaker_demo.wav
audio = "./test/asr/data/asr_speaker_demo.wav"
asr_model = WhisperModel(model_path, device="cuda", compute_type="float16")
spk_rec_pipeline = Pipeline.from_pretrained("pyannote/speaker-diarization-3.1", use_auth_token="your huggingface token")
spk_rec_pipeline.to(torch.device("cuda"))

asr_result, info = asr_model.transcribe(audio, language="zh", beam_size=5)
diarization_result = spk_rec_pipeline(audio)

final_result = diarize_text(asr_result, diarization_result)
for segment, spk, sent in final_result:
print("[%.2fs -> %.2fs] %s %s" % (segment.start, segment.end, sent, spk))

相关资源

此处内容已经被作者隐藏，请输入验证码查看内容

验证码：

请关注本站微信公众号，回复“验证码”，获取验证码。在微信里搜索“首席AI分享圈”或者“Looks-AI”或者微信扫描右侧二维码都可以关注本站微信公众号。

普通人的AI入门指南

帮助你以低成本、零基础学会如何利用AI工具。AI就像办公软件一样，是每个人的必备技能。 掌握AI会让你在求职中占据优势，在未来的工作和学习中事半功倍。

查看详情>