Roadmap

[mli]

这是 TODO 列表。欢迎有兴趣的同学来报名贡献：

• [ ] 加速whisper的CPU推理。目前whisper在CPU上推理性能堪忧。尝试优化代码实现、quantization，使用很快的后端（例如 onnx )
• [ ] 允许在markdown里编辑字幕，包括将一句话分成两句，或者讲句话并成一句，然后转成 srt
• [ ] 加入测试代码
• [ ] 加 CI，测试windows，linux，macos下的运行
• [ ] 生成 Final Cut Pro XML (.fcpxml) https://github.com/mli/autocut/issues/45

[chenqianhe]

先来占个坑，目前正在做

• [ ] 基于streamlit实现gui

[mli]

• [ ] 基于streamlit实现gui

这个不错。提几个需求：想要个video panel，audio panel 显示声音（很方便看到是不是停顿太多），一个可以编辑的字幕panel。光标换到某一行时能同步（2x速）播放视频和声音。能在audio panel移动来微调字幕的时间搓。多少有点像一个视频编辑器，但还是想以文本字幕为主panel。

[chenqianhe]

• [ ] 基于streamlit实现gui

这个不错。提几个需求：想要个video panel，audio panel 显示声音（很方便看到是不是停顿太多），一个可以编辑的字幕panel。光标换到某一行时能同步（2x速）播放视频和声音。能在audio panel移动来微调字幕的时间搓。多少有点像一个视频编辑器，但还是想以文本字幕为主panel。

目前计划是先把字幕生成；字幕筛选，剪切视频做出来。后续再加编辑功能。video panel，audio panel都问题不大。现在主要是被ffmpeg卡住了，视频上传是直接拿到了bytes，我不想保存本地再用ffmpeg读取；想直接使用bytes，但是目前有点问题；我再开个issue看看有没有人能帮忙解决

[mli]

@chenqianhe @zcf0508 wenet同学提到这个产品，我没用过，但看上去挺不错。UI的设计可以考虑参考他们 https://www.descript.com/

[zcf0508]

使用 Dynamic Quantization 加速测试

https://github.com/MiscellaneousStuff/openai-whisper-cpu/blob/main/script/custom_whisper.py

代码

https://github.com/zcf0508/autocut/commit/0de0b4db22777e062942cfd8024ecc909f1f8b87

self.quantized_model = torch.quantization.quantize_dynamic(
    self.whisper_model, {torch.nn.Linear}, dtype=torch.qint8
)

whisper.transcribe(
  self.quantized_model if self.args.device == 'cpu'
          else self.whisper_model,
  ...)

测试结果

测试使用 Intel i7-8700 @3.2GHz ，代码基于 https://github.com/mli/autocut/commit/69b6a3936762108ddd82ae15ee1e706fa8ab71cc 修改

whisper-model 参数使用默认 small

测试一

测试视频: 02:09 长度、4.91 M 的一个 mp4 文件

次数	whisper_model	quantized_model
1	56.8s	59.2s
2	56.8s	58.2s
3	60s	59s
4	62s	59.2s
5	57.8s	58.2s

测试二

测试视频: 07:16 长度、15.2 M 的一个 mp4 文件

次数	whisper_model	quantized_model
1	216s	213.3s
2	214.3s	216.5s
3	213.9s	213.5s
4	217.6s	217.2s
5	212.5s	214.5s

[mli]

使用 Dynamic Quantization 加速测试

出乎意料的没有加速。感觉要么是CPU对int8支持不好，要么是加速库没有装好？

[zcf0508]

https://github.com/chidiwilliams/stable-ts 这个库支持按字生成时间戳，可以参考一下

[chenqianhe]

https://github.com/chidiwilliams/stable-ts 这个库支持按字生成时间戳，可以参考一下

按字生成确实不错，但是之后字合并成句子又麻烦了，也不能直接按字数合并。不过是个不错的库

[yihong0618]

我领这个吧 加 CI，测试windows，linux，macos下的运行

目前完成

• [x] linux -> ubuntu
• [ ] windows
• [ ] macos 目前有一个 test 跑不了

[chenqianhe]

我领这个吧 加 CI，测试windows，linux，macos下的运行

目前完成

• [x] linux -> ubuntu
• [ ] windows
• [ ] macos 目前有一个 test 跑不了

哪个test有问题呢？目前test是我这边写的

[chenqianhe]

我领这个吧 加 CI，测试windows，linux，macos下的运行 目前完成

• [x] linux -> ubuntu
• [ ] windows
• [ ] macos 目前有一个 test 跑不了

哪个test有问题呢？目前test是我这边写的

我的test都是在mac上写的，应该不会跑不了；可以一起看下

[yihong0618]

我领这个吧 加 CI，测试windows，linux，macos下的运行 目前完成

• [x] linux -> ubuntu
• [ ] windows
• [ ] macos 目前有一个 test 跑不了

哪个test有问题呢？目前test是我这边写的

我的test都是在mac上写的，应该不会跑不了；可以一起看下

报这个错 环境 mac m1 16 promax python 3.10 https://github.com/mli/autocut/pull/42

[chenqianhe]

我领这个吧 加 CI，测试windows，linux，macos下的运行 目前完成

• [x] linux -> ubuntu
• [ ] windows
• [ ] macos 目前有一个 test 跑不了

哪个test有问题呢？目前test是我这边写的

我的test都是在mac上写的，应该不会跑不了；可以一起看下

报这个错 环境 mac m1 16 promax python 3.10 #42

应该是环境问题了；低版本py会有吗？我用的是M2 Air

[yihong0618]

加 CI，测试windows，linux，macos下的运行 Done. check: https://github.com/mli/autocut/pull/48

[yihong0618]

加速whisper的CPU推理。目前whisper在CPU上推理性能堪忧。尝试优化代码实现、https://github.com/openai/whisper/discussions/454，使用很快的后端（例如 https://github.com/openai/whisper/discussions/134 )

我可以试试

[aaronzs]

@mli @yihong0618 FYI, check this C++ implementation whisper.cpp for CPU inference.

[yihong0618]

@mli @yihong0618 FYI, check this C++ implementation whisper.cpp for CPU inference.

yes I noticed that, but there's no python binding for now, we need some hack

[maltoze]

@mli @yihong0618 FYI, check this C++ implementation whisper.cpp for CPU inference.

tried, not good. cpu: Intel(R) Xeon(R) CPU E5-2640 v4 @ 2.40GHz

[zcf0508]

多进程测试

测试环境

基于 https://github.com/mli/autocut/commit/ec82c7ae84d5e91df1233de8628e954d6d3d74a7 进行修改，使用 multiprocessing 进行加速。由于本机没有 GPU ，以下测试仅使用 CPU ，仅供参考。 测试使用 Intel i7-8700 @3.2GHz，测试视频长度 04:32 ，大小 7.28 MB 。vad 参数分段为 21，进程池大小使用 4。 相关 pr https://github.com/mli/autocut/pull/58

测试结果

	默认	多进程
1	249.8s	198.9s
2	247.8s	185.7s
3	254.6s	208.3s
4	248.7s	173.5s
5	242.2s	202.5s

测试过程中观察 CPU 占用，默认情况下 CPU 利用率最高为96% ，12个逻辑核心只要2个核心为满负荷运行，而在多进程下 CPU 使用率为 100%，12个逻辑核心全部跑满。

疑惑

在 https://github.com/openai/whisper/discussions/432#discussioncomment-4011750 帖子中提到，whisper 已经使用了全部 CPU 核心，所以不确定在单个进程下没有完全占用 CPU 是不是有意为之。

[BrightXiaoHan]

CTranslate2实现了whisper加速推理，并且有python bindings。文档链接

[yihong0618]

@BrightXiaoHan 谢谢，我学习一下

[yinheng-gh]

@chenqianhe @zcf0508 wenet同学提到这个产品，我没用过，但看上去挺不错。UI的设计可以考虑参考他们 https://www.descript.com/

说到descript这个产品，我试用了一下。我感觉除了它本身的一些feature外，还有一个比较好的点是：它在句子的识别和分割上，做得比较好。 因为不管是自己的识别的语音，还是类似Youtube那种自动生成的字幕，都是不带句子分割的。我调研过几款句子识别及分割的模型和工具，在没有标点和大小写的情况下，效果都不是很好。 我能想到的方式，一个是句法分析，另一个就是通过词之间的时间间隔来分割（看了一下代码，咱们的autocut好像也做过一些这方面的优化和处理）“伪句”。但descript，做得很好。

咱们autocut对这块儿有什么想法？会进一步优化吗？

[zcf0508]

https://github.com/m-bain/whisperX

这个项目也还挺有意思的