文章目录
- 前言
- 一、资料准备
- 二、Whisper环境搭建
-
- 第一步：安装whisper
- 第二步：安装ffmpeg
- 三、Whisper测试
- 总结
-
- 其他相关
前言
语音识别一直以来都是人工智能领域中一个不容忽视的技术，随着大模型时代的到来，这项技术也发生了质的变化。凡是在AI相关的讨论中，语音识别绝对是一个高热的话题。
目前开源的语音识别软件中，Openai Whisper绝对是霸主的存在，他在这方面的表现甚至超越了很多商用的产品，那么Openai Whisper对中文的支持如何呢，今天我们来简单测试一下。
一、资料准备
因为今天我们主要研究中文识别，所以这里我准备了一个比较有特色的音频。语音文件如下面所示：
- 一年级-小青蛙（标准普通话）：1.mp3（532K） 点击下载
内容如下：
河水清清天气晴，小小青蛙大眼睛。保护禾苗吃害虫，做了不少好事情。请你爱护小青蛙，好让禾苗不生病。
- 三字经素读11（标准普通话）：2.mp3（533K） 点击下载
内容如下：
读史者，考实录。通古今，若亲目。昔仲尼，师项橐。古圣贤，尚勤学。赵中令，读鲁论。彼既仕，学且勤。披蒲编，削竹简。彼无书，且知勉。头悬梁，锥刺股。彼不教，自勤苦。如囊萤，如映雪。家虽贫，学不辍。如负薪，如挂角。身虽劳，犹苦卓。
- 一段粤语（和普通话接近度很低）：3.mp3（306K） 点击下载
内容如下：
广式粤语和港式粤语作为粤语地区最有代表性的两种，到底有没有区别？那它们又是不是相通的呢？接下来，我就用它们当中比较独特的表达随机采访了几位路人，看下他们对广式粤语和港式粤语的态度是怎么样的呢？
- 李伯伯的一段评书（四川话-和普通话接近度较高）：4.mp3（1.4M） 点击下载
内容有点长，后面再看看识别情况
二、Whisper环境搭建
目前Openai Whisper是人气最高的开源的语音识别项目，项目地址：【https://github.com/openai/whisper】从名字就可以看出，它是有openai开源出来的，主要利用大模型来训练。支持99 种语言，特别是对英语的支持错误率很低。Whipser 推出了 tiny、base、small、medium、large 5 个档次的模型。
| 模型 | 大小 | 英语 | 多语言 | 所需显存 | 相对速率 |
|---|---|---|---|---|---|
| tiny | 39 M | tiny.en |
tiny |
~1 GB | ~32x |
| base | 74 M | base.en |
base |
~1 GB | ~16x |
| small | 244 M | small.en |
small |
~2 GB | ~6x |
| medium | 769 M | medium.en |
medium |
~5 GB | ~2x |
| large | 1550 M | N/A | large |
~10 GB | 1x |
Whisper的错误率如下图所示：
下面我来看看如何安装，安装Whipser需要Python环境，所需要的环境如下：
- Python 3.9.9+
- pip 24.0+
- ffmpeg
首先检查电脑环境是否满足，如果已经满足，执行以下命令：
第一步：安装whisper
pip install -U openai-whisper
当看到有类似下面的输出表示安装成功：
Building wheels for collected packages: openai-whisper
Building wheel for openai-whisper (pyproject.toml) ... done
Created wheel for openai-whisper: filename=openai_whisper-20231117-py3-none-any.whl size=801358 sha256=9c53589d5935329764df742678ccdf63238285771a946ef7157912e71a623bb3
Stored in directory: /root/.cache/pip/wheels/0f/3e/0a/683df97c94e7b6f0818ba78f0177ebe638c30d192bdd39f399
Successfully built openai-whisper
第二步：安装ffmpeg
安装ffmpeg，这里不一样的系统安装方式也不一样，下面给出了几种系统的安装方式：
# on Ubuntu or Debian
sudo apt update && sudo apt install ffmpeg
# on Arch Linux
sudo pacman -S ffmpeg
# on MacOS using Homebrew (https://brew.sh/)
brew install ffmpeg
# on Windows using Chocolatey (https://chocolatey.org/)
choco install ffmpeg
# on Windows using Scoop (https://scoop.sh/)
scoop install ffmpeg
如果你是centos，在centos7上安装ffmpeg还需要多几个步骤，具体如下：
导入Nux Dextop仓库：
sudo rpm --import http://li.nux.ro/download/nux/RPM-GPG-KEY-nux.ro
sudo rpm -Uvh http://li.nux.ro/download/nux/dextop/el7/x86_64/nux-dextop-release-0-1.el7.nux.noarch.rpm
安装
sudo yum update -y
sudo yum install ffmpeg -y
安装成功后验证ffmpeg
ffmpeg -help
三、Whisper测试
安装成功后，我们可以直接在控制台使用：
whisper --help
如果我们要进行识别操作，具体命令如下：
whisper audio.mp3 --命令参数
常用参数说明：
–task
指定转录方式，默认使用 –task transcribe 转录模式，–task translate 则为翻译模式，目前只支持英文。
–model
指定使用模型，默认使用 –model small，Whisper 还有英文专用模型，就是在名称后加上 .en，这样速度更快。默认采用base
–language
指定转录语言，默认会截取 30 秒来判断语种，但最好指定为某种语言，比如指定中文是 –language Chinese。
–device
指定硬件加速，默认使用 auto 自动选择，–device cuda 则为显卡，cpu 就是 CPU， mps 为苹果 M1 芯片。
output_format
识别结果输出格式（txt,vtt,srt,tsv,json,all），默认为：all
output_dir
识别结果输出目录
除了在控制台直接使用外，也可以在Python中使用，Python的示例代码如下：
# coding=utf-8
import whisper
if __name__ == '__main__':
model = whisper.load_model("tiny")
audio = whisper.load_audio("1.mp3")
audio = whisper.pad_or_trim(audio)
mel = whisper.log_mel_spectrogram(audio).to(model.device)
_, probs = model.detect_language(mel)
options = whisper.DecodingOptions()
result = whisper.decode(model, mel, options)
print(result.text)
当然也可以直接在控制台来测试，这里我整理了测试的结果如下图：
这里我是直接输出的txt格式，如果输出vtt格式，可以看到响应的时间点，类似下面：
这里我编写了一个自动化测试的shell脚本，方便大家来做相关测试：
#!/bin/sh
suffixes=("mp3")
models=("tiny" "base" "small" "medium" "large")
# models=("tiny" "base")
find_audio(){
suffix=$1
for file in ./*.$suffix; do
if [ -f "$file" ]; then
txt_rs=$(basename "$file")
dir=$(basename "$file" | cut -d "." -f 1)
for model in "${models[@]}"; do
do_whisper $file $dir $model
done
fi
done
}
do_whisper(){
start_time=$(date +%s)
whisper $1 --language Chinese --output_dir $2_$3 --output_format txt --model=$3
end_time=$(date +%s)
time_sec=$(($((end_time))-$((start_time))))
txt="（耗时："$time_sec"秒）"
rs_file=$2_$3/$2.txt
echo "$txt" >> $rs_file
}
do_report(){
models_strs=$(printf ",%s" "${models[@]}")
models_strs=${models_strs:1}
cat > report.csv << EOF
音频,$models_strs
EOF
suffix=$1
for file in ./*.$suffix; do
if [ -f "$file" ]; then
txt_rs=$(basename "$file")
dir=$(basename "$file" | cut -d "." -f 1)
for model in "${models[@]}"; do
rs_whisper_file=$dir"_"$model/$dir.txt
rs_whisper_file_txt=`cat $rs_whisper_file`
rs_whisper_file_txt=$(echo "$rs_whisper_file_txt" | tr -d '\r')
rs_whisper_file_txt=$(echo "$rs_whisper_file_txt" | tr -d '\n')
rs_whisper_file_txt=$(echo "$rs_whisper_file_txt" | tr -d '\r\n')
rs_whisper_file_txt='"'$rs_whisper_file_txt'"'
txt_rs=$txt_rs","$rs_whisper_file_txt
done
echo "$txt_rs" >> report.csv
fi
done
}
for suffix in "${suffixes[@]}"; do
find_audio ${suffix}
done
for suffix in "${suffixes[@]}"; do
do_report ${suffix}
done
大家可以修改里面的相关参数来自己做测试。
总结
从上面的测试可以看出，对标准的普通话来说，识别已经相当成功了，同时最让我惊讶的是，他对粤语的识别竟然错误率这么低，基本上是翻译了过来。四川话因为发音比较接近普通话，但是有些地方词语差异还是很大，所以识别的时候错误率还是很高的。
总的来说，作为开源产品，whisper对中文的支持已经相当好了，甚至超越了一些国内商用的产品，我将这段粤语在几个大厂的平台上去测试了一下，大部分是识别不出来的，大家可以用我的脚本测试一下更多的方言或者不同情况的下的语音。
如果有GPU设备的可以尝试一下GPU设备下效果如何？
Openai Whisper的语音更像是大力出奇迹，利用大模型训练，涵盖了大部分的语言。同时也颠覆了传统的语音识别技术。相信很快就会有更完美的模型出来。我查看了whisper的模型下载逻辑，目前好像已经有：large-v1，large-v2，large-v3了，但是由于模型较大，我没得测试环境，大家可以自行去试试。模型下载可以源码位置：python3.12/site-packages/whisper/init.py
其他相关
如果大家觉得自己搭建环境或者使用脚本太复杂，可以试试Whisper相关的图形界面，这里给大家介绍两款图形工具：
WhisperDesktop
下载地址：https://github.com/Const-me/Whisper
Buzz
下载地址：https://github.com/chidiwilliams/buzz
版权声明：本文为博主作者：流年五十前原创文章，版权归属原作者，如果侵权，请联系我们删除！
