做医美设计的网站,做360手机网站,东莞高端网站建设哪个好,游戏推广员目录
一、引言
二、Whisper 模型原理
2.1 模型架构
2.2 语音处理
2.3 文本处理
三、Whisper 模型实战
3.1 环境安装
3.2 模型下载
3.3 模型推理
3.4 完整代码
3.5 模型部署
四、总结 一、引言
上一篇对ChatTTS文本转语音模型原理和实战进行了讲解第6次拿到了热榜第一。今天分享其对称功能语音转文本模型Whisper。Whisper由OpenAI研发并开源参数量最小39M最大1550M支持包含中文在内的多种语言。由于其低资源成本、优质的生存效果被广泛应用于音乐识别、私信聊天、同声传译、人机交互等各种语音转文本场景且商业化后价格不菲。今天免费分享给大家不要再去花钱买语音识别服务啦
二、Whisper 模型原理
2.1 模型架构
Whisper是一个典型的transformer Encoder-Decoder结构针对语音和文本分别进行多任务Multitask处理。 2.2 语音处理 Whisper语音处理基于680000小时音频数据进行训练包含英文、其他语言转英文、非英文等多种语言。将音频数据转换成梅尔频谱图再经过两个卷积层后送入 Transformer 模型。 2.3 文本处理 Whisper文本处理文本token包含3类special tokens标记tokens、text tokens文本tokens、timestamp tokens时间戳基于标记tokens控制文本的开始和结束基于timestamp tokens让语音时间与文本对其。 仅用通俗易懂的语言描述了下Whisper的原理如果想更深入的了解请参考OpenAI官方Whisper论文。
三、Whisper 模型实战
3.1 环境安装
本文基于HuggingFace的transfomers库采用pipeline方式进行极简单的模型实用实战具体的pipeline以及其他transformers模型使用方式可以参考我之前的文章。
所以您仅需要安装transformers库。
pip install transformers
当前语音经常会和视频等其他媒介联系起来所以我建议您顺带安装多媒体处理工具ffmpeg没有提供pip库仅能依靠apt-get安装。
sudo apt-get update apt-get install ffmpeg
3.2 模型下载
基于pipeline会自动进行模型下载当然如果您的网速不行请替换HF_ENDPOINT为国内镜像。
os.environ[HF_ENDPOINT] https://hf-mirror.comtranscriber pipeline(taskautomatic-speech-recognition, modelopenai/whisper-medium) 不同尺寸模型参数量、多语言支持情况、需要现存大小以及推理速度如下 3.3 模型推理
推理函数仅需2行非常简单基于pipeline实例化1个模型对象将要转换的音频文件传至模型对象中即可
def speech2text(speech_file):transcriber pipeline(taskautomatic-speech-recognition, modelopenai/whisper-medium)text_dict transcriber(speech_file)return text_dict
3.4 完整代码
运行完整代码
python run_whisper.py -a output_video_enhanced.mp3
完整代码如下
import os
os.environ[HF_ENDPOINT] https://hf-mirror.com
os.environ[CUDA_VISIBLE_DEVICES] 2
os.environ[TF_ENABLE_ONEDNN_OPTS] 0from transformers import pipeline
import subprocessdef speech2text(speech_file):transcriber pipeline(taskautomatic-speech-recognition, modelopenai/whisper-medium)text_dict transcriber(speech_file)return text_dictimport argparse
import json
def main():parser argparse.ArgumentParser(description语音转文本)parser.add_argument(--audio,-a, typestr, help输出音频文件路径)args parser.parse_args()print(args) text_dict speech2text(args.audio)#print(视频内的文本是\n text_dict[text])print(视频内的文本是\n json.dumps(text_dict,indent4))if __name____main__:main()
这里采用argparse处理命令行参数将mp3音频文件输入后经过speech2text语音转文本函数处理返回对应的文本结果如下 3.5 模型部署
如果想将该服务部署成语音识别API服务可以参考之前的FastAPI相关文章。
四、总结
本文是上一篇chatTTS文章的夫妻篇既然教了大家如何将文本转语音就一定要教大家如何将语音转成文本这样技术体系才完整。首先简要概述了Whisper的模型原理然后基于transformers的pipeline库2行代码实现了Whisper模型推理希望可以帮助到大家。码字不易如果喜欢期待您的关注3连投票。 如果您还有时间可以看看我的其他文章
《AI—工程篇》
AI智能体研发之路-工程篇一Docker助力AI智能体开发提效
AI智能体研发之路-工程篇二Dify智能体开发平台一键部署
AI智能体研发之路-工程篇三大模型推理服务框架Ollama一键部署
AI智能体研发之路-工程篇四大模型推理服务框架Xinference一键部署
AI智能体研发之路-工程篇五大模型推理服务框架LocalAI一键部署
《AI—模型篇》
AI智能体研发之路-模型篇一大模型训练框架LLaMA-Factory在国内网络环境下的安装、部署及使用
AI智能体研发之路-模型篇二DeepSeek-V2-Chat 训练与推理实战
AI智能体研发之路-模型篇三中文大模型开、闭源之争
AI智能体研发之路-模型篇四一文入门pytorch开发
AI智能体研发之路-模型篇五pytorch vs tensorflow框架DNN网络结构源码级对比
AI智能体研发之路-模型篇六【机器学习】基于tensorflow实现你的第一个DNN网络
AI智能体研发之路-模型篇七【机器学习】基于YOLOv10实现你的第一个视觉AI大模型
AI智能体研发之路-模型篇八【机器学习】Qwen1.5-14B-Chat大模型训练与推理实战
AI智能体研发之路-模型篇九【机器学习】GLM4-9B-Chat大模型/GLM-4V-9B多模态大模型概述、原理及推理实战
AI智能体研发之路-模型篇十【机器学习】Qwen2大模型原理、训练及推理部署实战
《AI—Transformers应用》
【AI大模型】Transformers大模型库一Tokenizer
【AI大模型】Transformers大模型库二AutoModelForCausalLM
【AI大模型】Transformers大模型库三特殊标记special tokens
【AI大模型】Transformers大模型库四AutoTokenizer
【AI大模型】Transformers大模型库五AutoModel、Model Head及查看模型结构
【AI大模型】Transformers大模型库六torch.cuda.OutOfMemoryError: CUDA out of memory解决
【AI大模型】Transformers大模型库七单机多卡推理之device_map
【AI大模型】Transformers大模型库八大模型微调之LoraConfig
