【Google Colab Python系列】 初探Whisper: 來一段Youtube影片進行語音辨識吧！
2023/04/23閱讀時間約 5 分鐘
這個篇章主要是讓我們能夠熟悉Whisper的安裝與使用方式，並簡單的對Youtube影片進行線上翻譯的工作，主軸在於了解一下整個Whisper使用方式到底是簡單還是複雜，就讓我們一起來玩玩看吧！ 在這之前我們還是說一下Whisper它是什麼樣的一個工具，能夠做什麼？
Whisper簡介
Whisper 是OpenAI 提供的一種最先進自動語音辨識( Automatic Speech Recognition，ASR )模型，用來執行語音辨識與翻譯的功能。
能夠將各種語言的語音轉錄成文字，甚至可以處理較差的音頻品質或過多的背景雜訊。
P.S 聽起來就很威，別著急，讓我們實際試試看才知道…
觀看 Whisper 官方文件
使用Whisper過程中難免會遇到各式各樣的問題，最簡單的方式就是查看原廠的官方文件囉！
這是一個opensource的專案，因此放置於Github： https://github.com/openai/whisper
安裝Whisper
這邊我們會直接使用Google Colab Python環境來進行安裝。
# 安裝whisper語音辨識工具
!pip install -U openai-whisper
# 安裝youtube套件，這工具主要幫我們下載youtube影片進行後續的語音辨識demo，算是一個語音前處理工具
!pip install pytube
在這之前記得切換成GPU模式
語音辨識在解碼的時候採用GPU模式一定比CPU模式來的快，而Google Colab也提供一些GPU資源給我們，記得進行切換，否則後面的作業會等待的非常久…
首先我們在右上角點選資源的圖示，並且點擊下方的「變更執行階段類型」。
接著我們就切換成「GPU」吧
試著找一段Youtube影音，嘗試在Google Colab播放測試
這裡我們找了一段長約「3分30秒」的影片，https://www.youtube.com/watch?v=EYhlGV9AZHI
我們接著就來Google Colab播放試試看吧
from IPython.display import YouTubeVideo
YouTubeVideo('EYhlGV9AZHI')py
接著我們使用pytube來抓取影片資訊
這邊我們就取得title屬性並印出試試看
from pytube import YouTube
url = 'https://www.youtube.com/watch?v=EYhlGV9AZHI'
yt = YouTube(url)
# 抓取標題試試看
yt.title
下載純音檔
streams = yt.streams
audio = streams.get_audio_only()
obj = audio.download(filename='test.mp4')
載入辨識模型
要載入什麼樣的模型呢？可以看看官方網站的「Available models and languages」
這邊我們就選擇大型的模型`large`試試看最佳可以辨識的如何？
import whisper
model = whisper.load_model('large')
對下載的音檔進行辨識
這邊我們就直接載入剛下載完成的test.mp4， 執行時間會有一些等待，這邊環境下大約等待1分鐘左右。
result = model.transcribe('test.mp4')
result我們可以看到回傳結果不只有整段文字，也將每一段的時間邊界切割出來，並精準的辨識出文字，看到這邊聰明的我們應該聯想到什麼了吧！ 沒錯，就是字幕檔，很多影片早期上字幕檔是非常繁雜的，透過whisper的精準辨識讓我們可以加快效率，來看看結果吧！
結語
使用了Whisper之後，突然感覺到時代的演變真的超快，早期的kaldi專案也曾經玩過，但複雜的腳本與架構令人退卻，現如今的Whisper除了文檔完備豐富之外，使用起來也非常的簡易，而且結果也非常的人性化，下一個篇章我們就要來玩玩它的產生字幕檔、如何調整參數，讓我們也能夠簡易的使用門檻高的語音辨識吧。
今天的範例都在這裡「📦 whisper_0_yt.ipynb」歡迎自行取用。
— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —
喜歡撰寫文章的你，不妨來了解一下：
歡迎加入一起練習寫作，賺取知識，累積財富！
為什麼會看到廣告
留言0
查看全部