mirror of
https://github.com/ggerganov/whisper.cpp.git
synced 2024-12-26 00:29:21 +01:00
Extend C-style API with full inference methods
This commit is contained in:
parent
6b77124e01
commit
eba33adadd
188
main.cpp
188
main.cpp
@ -5,17 +5,11 @@
|
|||||||
#define DR_WAV_IMPLEMENTATION
|
#define DR_WAV_IMPLEMENTATION
|
||||||
#include "dr_wav.h"
|
#include "dr_wav.h"
|
||||||
|
|
||||||
#include <cassert>
|
|
||||||
#include <cstdio>
|
#include <cstdio>
|
||||||
#include <string>
|
#include <string>
|
||||||
#include <thread>
|
#include <thread>
|
||||||
#include <vector>
|
#include <vector>
|
||||||
|
|
||||||
int64_t get_time_us() {
|
|
||||||
return std::chrono::duration_cast<std::chrono::microseconds>(
|
|
||||||
std::chrono::high_resolution_clock::now().time_since_epoch()).count();
|
|
||||||
}
|
|
||||||
|
|
||||||
// 500 -> 00:05.000
|
// 500 -> 00:05.000
|
||||||
// 6000 -> 01:00.000
|
// 6000 -> 01:00.000
|
||||||
std::string to_timestamp(int64_t t) {
|
std::string to_timestamp(int64_t t) {
|
||||||
@ -30,11 +24,6 @@ std::string to_timestamp(int64_t t) {
|
|||||||
return std::string(buf);
|
return std::string(buf);
|
||||||
}
|
}
|
||||||
|
|
||||||
struct whisper_result {
|
|
||||||
whisper_token id;
|
|
||||||
int64_t t;
|
|
||||||
};
|
|
||||||
|
|
||||||
// command-line parameters
|
// command-line parameters
|
||||||
struct whisper_params {
|
struct whisper_params {
|
||||||
int32_t seed = -1; // RNG seed, not used currently
|
int32_t seed = -1; // RNG seed, not used currently
|
||||||
@ -111,8 +100,6 @@ void whisper_print_usage(int argc, char ** argv, const whisper_params & params)
|
|||||||
}
|
}
|
||||||
|
|
||||||
int main(int argc, char ** argv) {
|
int main(int argc, char ** argv) {
|
||||||
const int64_t t_main_start_us = get_time_us();
|
|
||||||
|
|
||||||
whisper_params params;
|
whisper_params params;
|
||||||
|
|
||||||
if (whisper_params_parse(argc, argv, params) == false) {
|
if (whisper_params_parse(argc, argv, params) == false) {
|
||||||
@ -142,7 +129,7 @@ int main(int argc, char ** argv) {
|
|||||||
return 3;
|
return 3;
|
||||||
}
|
}
|
||||||
|
|
||||||
if (wav.sampleRate != SAMPLE_RATE) {
|
if (wav.sampleRate != WHISPER_SAMPLE_RATE) {
|
||||||
fprintf(stderr, "%s: WAV file '%s' must be 16 kHz\n", argv[0], params.fname_inp.c_str());
|
fprintf(stderr, "%s: WAV file '%s' must be 16 kHz\n", argv[0], params.fname_inp.c_str());
|
||||||
return 4;
|
return 4;
|
||||||
}
|
}
|
||||||
@ -172,12 +159,6 @@ int main(int argc, char ** argv) {
|
|||||||
}
|
}
|
||||||
}
|
}
|
||||||
|
|
||||||
// compute log mel spectrogram
|
|
||||||
if (whisper_pcm_to_mel(ctx, pcmf32.data(), pcmf32.size(), params.n_threads) != 0) {
|
|
||||||
fprintf(stderr, "%s: failed to compute log mel spectrogram\n", argv[0]);
|
|
||||||
return 6;
|
|
||||||
}
|
|
||||||
|
|
||||||
// print some info about the processing
|
// print some info about the processing
|
||||||
{
|
{
|
||||||
printf("\n");
|
printf("\n");
|
||||||
@ -189,168 +170,43 @@ int main(int argc, char ** argv) {
|
|||||||
}
|
}
|
||||||
}
|
}
|
||||||
printf("%s: processing %d samples (%.1f sec), %d threads, lang = %s, task = %s, timestamps = %d ...\n",
|
printf("%s: processing %d samples (%.1f sec), %d threads, lang = %s, task = %s, timestamps = %d ...\n",
|
||||||
__func__, int(pcmf32.size()), float(pcmf32.size())/SAMPLE_RATE, params.n_threads,
|
__func__, int(pcmf32.size()), float(pcmf32.size())/WHISPER_SAMPLE_RATE, params.n_threads,
|
||||||
params.language.c_str(),
|
params.language.c_str(),
|
||||||
params.translate ? "translate" : "transcribe",
|
params.translate ? "translate" : "transcribe",
|
||||||
params.no_timestamps ? 0 : 1);
|
params.no_timestamps ? 0 : 1);
|
||||||
printf("\n");
|
printf("\n");
|
||||||
}
|
}
|
||||||
|
|
||||||
// the accumulated text context so far
|
// run the inference
|
||||||
std::vector<whisper_token> prompt_past = { };
|
{
|
||||||
|
whisper_full_params wparams = whisper_full_default_params(WHISPER_DECODE_GREEDY);
|
||||||
|
|
||||||
// these tokens determine the task that will be performed
|
wparams.print_special_tokens = params.print_special_tokens;
|
||||||
std::vector<whisper_token> prompt_init = { whisper_token_sot(ctx) };
|
|
||||||
if (whisper_is_multilingual(ctx)) {
|
|
||||||
prompt_init.push_back(whisper_token_sot(ctx) + 1 + whisper_lang_id(params.language.c_str()));
|
|
||||||
if (params.translate) {
|
|
||||||
prompt_init.push_back(whisper_token_translate());
|
|
||||||
} else {
|
|
||||||
prompt_init.push_back(whisper_token_transcribe());
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
// the generated text including timestamps
|
if (whisper_full(ctx, wparams, pcmf32.data(), pcmf32.size()) != 0) {
|
||||||
//std::vector<whisper_result> result_all;
|
fprintf(stderr, "%s: failed to process audio\n", argv[0]);
|
||||||
|
return 6;
|
||||||
// main loop
|
|
||||||
int seek = 0;
|
|
||||||
while (true) {
|
|
||||||
if (seek >= whisper_n_len(ctx)) {
|
|
||||||
break;
|
|
||||||
}
|
}
|
||||||
|
|
||||||
// encode audio features starting at offset seek
|
// print result;
|
||||||
if (whisper_encode(ctx, seek, params.n_threads) != 0) {
|
{
|
||||||
fprintf(stderr, "%s: failed to encode\n", __func__);
|
printf("\n");
|
||||||
return 7;
|
|
||||||
}
|
|
||||||
|
|
||||||
std::vector<whisper_token> prompt;
|
const int n_segments = whisper_full_n_segments(ctx);
|
||||||
|
for (int i = 0; i < n_segments; ++i) {
|
||||||
|
const char * text = whisper_full_get_segment_text(ctx, i);
|
||||||
|
|
||||||
int n_past = 0;
|
if (params.no_timestamps) {
|
||||||
|
printf ("%s", text);
|
||||||
// if we have already generated some text, use it as a prompt to condition the next generation
|
fflush(stdout);
|
||||||
if (prompt_past.size() > 0) {
|
|
||||||
int n_take = std::min(whisper_n_text_ctx(ctx)/2, int(prompt_past.size()));
|
|
||||||
|
|
||||||
prompt = { whisper_token_prev(ctx) };
|
|
||||||
prompt.insert(prompt.begin() + 1, prompt_past.end() - n_take, prompt_past.end());
|
|
||||||
|
|
||||||
prompt_past.clear();
|
|
||||||
prompt_past.insert(prompt_past.end(), prompt.begin() + 1, prompt.end());
|
|
||||||
}
|
|
||||||
|
|
||||||
prompt.insert(prompt.end(), prompt_init.begin(), prompt_init.end());
|
|
||||||
|
|
||||||
bool done = false;
|
|
||||||
int seek_delta = 100*CHUNK_SIZE;
|
|
||||||
whisper_token last_id = 0;
|
|
||||||
|
|
||||||
// print the prompt
|
|
||||||
//printf("\n\n");
|
|
||||||
//for (int i = 0; i < prompt.size(); i++) {
|
|
||||||
// printf("%s: prompt[%d] = %s\n", __func__, i, vocab.id_to_token[prompt[i]].c_str());
|
|
||||||
//}
|
|
||||||
//printf("\n\n");
|
|
||||||
|
|
||||||
// the accumulated transcription in the current interation
|
|
||||||
int result_len = 0;
|
|
||||||
std::vector<whisper_result> result_cur;
|
|
||||||
|
|
||||||
for (int i = 0; i < whisper_n_text_ctx(ctx)/2 - 4; ++i) {
|
|
||||||
if (whisper_decode(ctx, prompt.data(), prompt.size(), n_past, params.n_threads) != 0) {
|
|
||||||
fprintf(stderr, "%s: failed to decode\n", __func__);
|
|
||||||
return 8;
|
|
||||||
}
|
|
||||||
|
|
||||||
n_past += prompt.size();
|
|
||||||
prompt.clear();
|
|
||||||
|
|
||||||
// very basic greedy sampling strategy:
|
|
||||||
//
|
|
||||||
// - always take the most probable token
|
|
||||||
//
|
|
||||||
// more sophisticated sampling strategies could be implemented here, but we keep it simple
|
|
||||||
// feel free to experiment!
|
|
||||||
//
|
|
||||||
{
|
|
||||||
const int n_vocab = whisper_n_vocab(ctx);
|
|
||||||
|
|
||||||
whisper_token id = 0;
|
|
||||||
whisper_token tid = whisper_token_beg(ctx);
|
|
||||||
|
|
||||||
id = whisper_sample_best(ctx, result_len == 0);
|
|
||||||
if (i > 0) {
|
|
||||||
tid = whisper_sample_timestamp(ctx);
|
|
||||||
}
|
|
||||||
|
|
||||||
// update sliding window
|
|
||||||
if (id > whisper_token_beg(ctx)) {
|
|
||||||
seek_delta = 2*(id - whisper_token_beg(ctx));
|
|
||||||
result_len = i + 1;
|
|
||||||
}
|
|
||||||
last_id = id;
|
|
||||||
|
|
||||||
// add it to the context
|
|
||||||
prompt.push_back(id);
|
|
||||||
result_cur.push_back({ id, seek + 2*(tid - whisper_token_beg(ctx)) });
|
|
||||||
|
|
||||||
//printf("%s: %s\n", __func__, vocab.id_to_token[id].c_str());
|
|
||||||
|
|
||||||
// end of text token
|
|
||||||
if (id == whisper_token_eot(ctx)) {
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
if (done) {
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
result_cur.resize(result_len);
|
|
||||||
//result_all.insert(result_all.end(), result_cur.begin(), result_cur.end());
|
|
||||||
|
|
||||||
for (const auto & r : result_cur) {
|
|
||||||
prompt_past.push_back(r.id);
|
|
||||||
}
|
|
||||||
|
|
||||||
// print the text from this iteration
|
|
||||||
if (result_cur.size() > 0) {
|
|
||||||
auto t0 = result_cur.front().t;
|
|
||||||
|
|
||||||
std::string text = "";
|
|
||||||
for (int i = 0; i < result_cur.size(); i++) {
|
|
||||||
if (params.print_special_tokens == false && result_cur[i].id >= whisper_token_eot(ctx)) {
|
|
||||||
} else {
|
} else {
|
||||||
text += whisper_token_to_str(ctx, result_cur[i].id);
|
const int64_t t0 = whisper_full_get_segment_t0(ctx, i);
|
||||||
}
|
const int64_t t1 = whisper_full_get_segment_t1(ctx, i);
|
||||||
if (result_cur[i].id > whisper_token_beg(ctx)) {
|
|
||||||
const auto t1 = result_cur[i].t;
|
|
||||||
if (!text.empty()) {
|
|
||||||
if (params.no_timestamps) {
|
|
||||||
printf ("%s", text.c_str());
|
|
||||||
fflush(stdout);
|
|
||||||
} else {
|
|
||||||
printf ("[%s --> %s] %s\n", to_timestamp(t0).c_str(), to_timestamp(t1).c_str(), text.c_str());
|
|
||||||
}
|
|
||||||
}
|
|
||||||
text = "";
|
|
||||||
while (result_cur[i].id > whisper_token_beg(ctx) && i < result_cur.size()) {
|
|
||||||
i++;
|
|
||||||
}
|
|
||||||
i--;
|
|
||||||
t0 = result_cur[i].t;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
if (!text.empty()) {
|
printf ("[%s --> %s] %s\n", to_timestamp(t0).c_str(), to_timestamp(t1).c_str(), text);
|
||||||
printf ("[%s --> %s] %s\n", to_timestamp(t0).c_str(), to_timestamp(seek + seek_delta).c_str(), text.c_str());
|
}
|
||||||
}
|
}
|
||||||
}
|
}
|
||||||
|
|
||||||
seek += seek_delta;
|
|
||||||
}
|
}
|
||||||
|
|
||||||
whisper_print_timings(ctx);
|
whisper_print_timings(ctx);
|
||||||
|
192
stream.cpp
192
stream.cpp
@ -18,11 +18,6 @@
|
|||||||
#include <thread>
|
#include <thread>
|
||||||
#include <vector>
|
#include <vector>
|
||||||
|
|
||||||
int64_t get_time_us() {
|
|
||||||
return std::chrono::duration_cast<std::chrono::microseconds>(
|
|
||||||
std::chrono::high_resolution_clock::now().time_since_epoch()).count();
|
|
||||||
}
|
|
||||||
|
|
||||||
// 500 -> 00:05.000
|
// 500 -> 00:05.000
|
||||||
// 6000 -> 01:00.000
|
// 6000 -> 01:00.000
|
||||||
std::string to_timestamp(int64_t t) {
|
std::string to_timestamp(int64_t t) {
|
||||||
@ -37,11 +32,6 @@ std::string to_timestamp(int64_t t) {
|
|||||||
return std::string(buf);
|
return std::string(buf);
|
||||||
}
|
}
|
||||||
|
|
||||||
struct whisper_result {
|
|
||||||
whisper_token id;
|
|
||||||
int64_t t;
|
|
||||||
};
|
|
||||||
|
|
||||||
// command-line parameters
|
// command-line parameters
|
||||||
struct whisper_params {
|
struct whisper_params {
|
||||||
int32_t seed = -1; // RNG seed, not used currently
|
int32_t seed = -1; // RNG seed, not used currently
|
||||||
@ -155,7 +145,7 @@ bool audio_sdl_init(const int capture_id) {
|
|||||||
SDL_zero(capture_spec_requested);
|
SDL_zero(capture_spec_requested);
|
||||||
SDL_zero(capture_spec_obtained);
|
SDL_zero(capture_spec_obtained);
|
||||||
|
|
||||||
capture_spec_requested.freq = SAMPLE_RATE;
|
capture_spec_requested.freq = WHISPER_SAMPLE_RATE;
|
||||||
capture_spec_requested.format = AUDIO_F32;
|
capture_spec_requested.format = AUDIO_F32;
|
||||||
capture_spec_requested.channels = 1;
|
capture_spec_requested.channels = 1;
|
||||||
capture_spec_requested.samples = 1024;
|
capture_spec_requested.samples = 1024;
|
||||||
@ -186,8 +176,6 @@ bool audio_sdl_init(const int capture_id) {
|
|||||||
///////////////////////////
|
///////////////////////////
|
||||||
|
|
||||||
int main(int argc, char ** argv) {
|
int main(int argc, char ** argv) {
|
||||||
const int64_t t_main_start_us = get_time_us();
|
|
||||||
|
|
||||||
whisper_params params;
|
whisper_params params;
|
||||||
|
|
||||||
if (whisper_params_parse(argc, argv, params) == false) {
|
if (whisper_params_parse(argc, argv, params) == false) {
|
||||||
@ -209,7 +197,7 @@ int main(int argc, char ** argv) {
|
|||||||
|
|
||||||
struct whisper_context * ctx = whisper_init(params.model.c_str());
|
struct whisper_context * ctx = whisper_init(params.model.c_str());
|
||||||
|
|
||||||
const int n_samples_30s = 30*SAMPLE_RATE;
|
const int n_samples_30s = 30*WHISPER_SAMPLE_RATE;
|
||||||
std::vector<float> pcmf32(n_samples_30s, 0.0f);
|
std::vector<float> pcmf32(n_samples_30s, 0.0f);
|
||||||
std::vector<float> pcmf32_old;
|
std::vector<float> pcmf32_old;
|
||||||
|
|
||||||
@ -224,7 +212,7 @@ int main(int argc, char ** argv) {
|
|||||||
}
|
}
|
||||||
}
|
}
|
||||||
printf("%s: processing %d samples (%.1f sec), %d threads, lang = %s, task = %s, timestamps = %d ...\n",
|
printf("%s: processing %d samples (%.1f sec), %d threads, lang = %s, task = %s, timestamps = %d ...\n",
|
||||||
__func__, int(pcmf32.size()), float(pcmf32.size())/SAMPLE_RATE, params.n_threads,
|
__func__, int(pcmf32.size()), float(pcmf32.size())/WHISPER_SAMPLE_RATE, params.n_threads,
|
||||||
params.language.c_str(),
|
params.language.c_str(),
|
||||||
params.translate ? "translate" : "transcribe",
|
params.translate ? "translate" : "transcribe",
|
||||||
params.no_timestamps ? 0 : 1);
|
params.no_timestamps ? 0 : 1);
|
||||||
@ -250,7 +238,7 @@ int main(int argc, char ** argv) {
|
|||||||
}
|
}
|
||||||
|
|
||||||
// process 3 seconds of new audio
|
// process 3 seconds of new audio
|
||||||
while ((int) SDL_GetQueuedAudioSize(g_dev_id_in) < 3*SAMPLE_RATE*sizeof(float)) {
|
while ((int) SDL_GetQueuedAudioSize(g_dev_id_in) < 3*WHISPER_SAMPLE_RATE*sizeof(float)) {
|
||||||
SDL_Delay(1);
|
SDL_Delay(1);
|
||||||
}
|
}
|
||||||
const int n_samples_new = SDL_GetQueuedAudioSize(g_dev_id_in)/sizeof(float);
|
const int n_samples_new = SDL_GetQueuedAudioSize(g_dev_id_in)/sizeof(float);
|
||||||
@ -271,167 +259,37 @@ int main(int argc, char ** argv) {
|
|||||||
|
|
||||||
pcmf32_old = pcmf32;
|
pcmf32_old = pcmf32;
|
||||||
|
|
||||||
// compute log mel spectrogram
|
// run the inference
|
||||||
if (whisper_pcm_to_mel(ctx, pcmf32.data(), pcmf32.size(), params.n_threads) != 0) {
|
{
|
||||||
fprintf(stderr, "%s: failed to compute log mel spectrogram\n", argv[0]);
|
whisper_full_params wparams = whisper_full_default_params(WHISPER_DECODE_GREEDY);
|
||||||
return 6;
|
|
||||||
}
|
|
||||||
|
|
||||||
// the accumulated text context so far
|
wparams.print_progress = false;
|
||||||
std::vector<whisper_token> prompt_past = { };
|
wparams.print_special_tokens = params.print_special_tokens;
|
||||||
|
|
||||||
// these tokens determine the task that will be performed
|
if (whisper_full(ctx, wparams, pcmf32.data(), pcmf32.size()) != 0) {
|
||||||
std::vector<whisper_token> prompt_init = { whisper_token_sot(ctx) };
|
fprintf(stderr, "%s: failed to process audio\n", argv[0]);
|
||||||
if (whisper_is_multilingual(ctx)) {
|
return 6;
|
||||||
prompt_init.push_back(whisper_token_sot(ctx) + 1 + whisper_lang_id(params.language.c_str()));
|
|
||||||
if (params.translate) {
|
|
||||||
prompt_init.push_back(whisper_token_translate());
|
|
||||||
} else {
|
|
||||||
prompt_init.push_back(whisper_token_transcribe());
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
// the generated text including timestamps
|
|
||||||
//std::vector<whisper_result> result_all;
|
|
||||||
|
|
||||||
// main loop
|
|
||||||
int seek = 0;
|
|
||||||
while (true) {
|
|
||||||
if (seek >= whisper_n_len(ctx)) {
|
|
||||||
break;
|
|
||||||
}
|
}
|
||||||
|
|
||||||
// encode audio features starting at offset seek
|
// print result;
|
||||||
if (whisper_encode(ctx, seek, params.n_threads) != 0) {
|
{
|
||||||
fprintf(stderr, "%s: failed to encode\n", __func__);
|
printf("\n");
|
||||||
return 7;
|
|
||||||
}
|
|
||||||
|
|
||||||
std::vector<whisper_token> prompt;
|
const int n_segments = whisper_full_n_segments(ctx);
|
||||||
|
for (int i = 0; i < n_segments; ++i) {
|
||||||
|
const char * text = whisper_full_get_segment_text(ctx, i);
|
||||||
|
|
||||||
int n_past = 0;
|
if (params.no_timestamps) {
|
||||||
|
printf ("%s", text);
|
||||||
// if we have already generated some text, use it as a prompt to condition the next generation
|
fflush(stdout);
|
||||||
if (prompt_past.size() > 0) {
|
|
||||||
int n_take = std::min(whisper_n_text_ctx(ctx)/2, int(prompt_past.size()));
|
|
||||||
|
|
||||||
prompt = { whisper_token_prev(ctx) };
|
|
||||||
prompt.insert(prompt.begin() + 1, prompt_past.end() - n_take, prompt_past.end());
|
|
||||||
|
|
||||||
prompt_past.clear();
|
|
||||||
prompt_past.insert(prompt_past.end(), prompt.begin() + 1, prompt.end());
|
|
||||||
}
|
|
||||||
|
|
||||||
prompt.insert(prompt.end(), prompt_init.begin(), prompt_init.end());
|
|
||||||
|
|
||||||
bool done = false;
|
|
||||||
int seek_delta = 100*CHUNK_SIZE;
|
|
||||||
whisper_token last_id = 0;
|
|
||||||
|
|
||||||
// print the prompt
|
|
||||||
//printf("\n\n");
|
|
||||||
//for (int i = 0; i < prompt.size(); i++) {
|
|
||||||
// printf("%s: prompt[%d] = %s\n", __func__, i, vocab.id_to_token[prompt[i]].c_str());
|
|
||||||
//}
|
|
||||||
//printf("\n\n");
|
|
||||||
|
|
||||||
// the accumulated transcription in the current interation
|
|
||||||
int result_len = 0;
|
|
||||||
std::vector<whisper_result> result_cur;
|
|
||||||
|
|
||||||
for (int i = 0; i < whisper_n_text_ctx(ctx)/2 - 4; ++i) {
|
|
||||||
if (whisper_decode(ctx, prompt.data(), prompt.size(), n_past, params.n_threads) != 0) {
|
|
||||||
fprintf(stderr, "%s: failed to decode\n", __func__);
|
|
||||||
return 8;
|
|
||||||
}
|
|
||||||
|
|
||||||
n_past += prompt.size();
|
|
||||||
prompt.clear();
|
|
||||||
|
|
||||||
// very basic greedy sampling strategy:
|
|
||||||
//
|
|
||||||
// - always take the most probable token
|
|
||||||
//
|
|
||||||
// more sophisticated sampling strategies could be implemented here, but we keep it simple
|
|
||||||
// feel free to experiment!
|
|
||||||
//
|
|
||||||
{
|
|
||||||
const int n_vocab = whisper_n_vocab(ctx);
|
|
||||||
|
|
||||||
whisper_token id = 0;
|
|
||||||
whisper_token tid = whisper_token_beg(ctx);
|
|
||||||
|
|
||||||
id = whisper_sample_best(ctx, result_len == 0);
|
|
||||||
if (i > 0) {
|
|
||||||
tid = whisper_sample_timestamp(ctx);
|
|
||||||
}
|
|
||||||
|
|
||||||
// update sliding window
|
|
||||||
if (id > whisper_token_beg(ctx)) {
|
|
||||||
seek_delta = 2*(id - whisper_token_beg(ctx));
|
|
||||||
result_len = i + 1;
|
|
||||||
}
|
|
||||||
last_id = id;
|
|
||||||
|
|
||||||
// add it to the context
|
|
||||||
prompt.push_back(id);
|
|
||||||
result_cur.push_back({ id, seek + 2*(tid - whisper_token_beg(ctx)) });
|
|
||||||
|
|
||||||
//printf("%s: %s\n", __func__, vocab.id_to_token[id].c_str());
|
|
||||||
|
|
||||||
// end of text token
|
|
||||||
if (id == whisper_token_eot(ctx)) {
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
if (done) {
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
result_cur.resize(result_len);
|
|
||||||
//result_all.insert(result_all.end(), result_cur.begin(), result_cur.end());
|
|
||||||
|
|
||||||
for (const auto & r : result_cur) {
|
|
||||||
prompt_past.push_back(r.id);
|
|
||||||
}
|
|
||||||
|
|
||||||
// print the text from this iteration
|
|
||||||
if (result_cur.size() > 0) {
|
|
||||||
auto t0 = result_cur.front().t;
|
|
||||||
|
|
||||||
std::string text = "";
|
|
||||||
for (int i = 0; i < result_cur.size(); i++) {
|
|
||||||
if (params.print_special_tokens == false && result_cur[i].id >= whisper_token_eot(ctx)) {
|
|
||||||
} else {
|
} else {
|
||||||
text += whisper_token_to_str(ctx, result_cur[i].id);
|
const int64_t t0 = whisper_full_get_segment_t0(ctx, i);
|
||||||
}
|
const int64_t t1 = whisper_full_get_segment_t1(ctx, i);
|
||||||
if (result_cur[i].id > whisper_token_beg(ctx)) {
|
|
||||||
const auto t1 = result_cur[i].t;
|
|
||||||
if (!text.empty()) {
|
|
||||||
if (params.no_timestamps) {
|
|
||||||
printf ("%s", text.c_str());
|
|
||||||
fflush(stdout);
|
|
||||||
} else {
|
|
||||||
printf ("[%s --> %s] %s\n", to_timestamp(t0).c_str(), to_timestamp(t1).c_str(), text.c_str());
|
|
||||||
}
|
|
||||||
}
|
|
||||||
text = "";
|
|
||||||
while (result_cur[i].id > whisper_token_beg(ctx) && i < result_cur.size()) {
|
|
||||||
i++;
|
|
||||||
}
|
|
||||||
i--;
|
|
||||||
t0 = result_cur[i].t;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
if (!text.empty()) {
|
printf ("[%s --> %s] %s\n", to_timestamp(t0).c_str(), to_timestamp(t1).c_str(), text);
|
||||||
printf ("[%s --> %s] %s\n", to_timestamp(t0).c_str(), to_timestamp(seek + seek_delta).c_str(), text.c_str());
|
}
|
||||||
}
|
}
|
||||||
}
|
}
|
||||||
|
|
||||||
seek += seek_delta;
|
|
||||||
}
|
}
|
||||||
}
|
}
|
||||||
|
|
||||||
|
266
whisper.cpp
266
whisper.cpp
@ -210,8 +210,15 @@ struct whisper_vocab {
|
|||||||
};
|
};
|
||||||
|
|
||||||
struct whisper_result {
|
struct whisper_result {
|
||||||
whisper_vocab::id id;
|
|
||||||
int64_t t;
|
int64_t t;
|
||||||
|
whisper_token id;
|
||||||
|
};
|
||||||
|
|
||||||
|
struct whisper_segment {
|
||||||
|
int64_t t0;
|
||||||
|
int64_t t1;
|
||||||
|
|
||||||
|
std::string text;
|
||||||
};
|
};
|
||||||
|
|
||||||
// medium
|
// medium
|
||||||
@ -395,6 +402,9 @@ struct whisper_context {
|
|||||||
|
|
||||||
std::vector<float> probs;
|
std::vector<float> probs;
|
||||||
std::vector<float> logits;
|
std::vector<float> logits;
|
||||||
|
|
||||||
|
std::vector<whisper_result> result_cur;
|
||||||
|
std::vector<whisper_segment> result_all;
|
||||||
};
|
};
|
||||||
|
|
||||||
// load the model from a ggml file
|
// load the model from a ggml file
|
||||||
@ -1946,8 +1956,8 @@ bool log_mel_spectrogram(
|
|||||||
|
|
||||||
const int n_fft = 1 + fft_size/2;
|
const int n_fft = 1 + fft_size/2;
|
||||||
|
|
||||||
printf("%s: n_samples = %d, n_len = %d\n", __func__, n_samples, mel.n_len);
|
//printf("%s: n_samples = %d, n_len = %d\n", __func__, n_samples, mel.n_len);
|
||||||
printf("%s: recording length: %f s\n", __func__, (float) n_samples/sample_rate);
|
//printf("%s: recording length: %f s\n", __func__, (float) n_samples/sample_rate);
|
||||||
|
|
||||||
std::vector<std::thread> workers(n_threads);
|
std::vector<std::thread> workers(n_threads);
|
||||||
for (int iw = 0; iw < n_threads; ++iw) {
|
for (int iw = 0; iw < n_threads; ++iw) {
|
||||||
@ -2066,7 +2076,7 @@ void whisper_free(struct whisper_context * ctx) {
|
|||||||
int whisper_pcm_to_mel(struct whisper_context * ctx, const float * samples, int n_samples, int n_threads) {
|
int whisper_pcm_to_mel(struct whisper_context * ctx, const float * samples, int n_samples, int n_threads) {
|
||||||
const int64_t t_start_us = ggml_time_us();
|
const int64_t t_start_us = ggml_time_us();
|
||||||
|
|
||||||
if (!log_mel_spectrogram(samples, n_samples, SAMPLE_RATE, N_FFT, HOP_LENGTH, N_MEL, n_threads, ctx->model.filters, ctx->mel)) {
|
if (!log_mel_spectrogram(samples, n_samples, WHISPER_SAMPLE_RATE, WHISPER_N_FFT, WHISPER_HOP_LENGTH, WHISPER_N_MEL, n_threads, ctx->model.filters, ctx->mel)) {
|
||||||
fprintf(stderr, "%s: failed to compute mel spectrogram\n", __func__);
|
fprintf(stderr, "%s: failed to compute mel spectrogram\n", __func__);
|
||||||
return -1;
|
return -1;
|
||||||
}
|
}
|
||||||
@ -2081,8 +2091,8 @@ int whisper_set_mel(
|
|||||||
const float * data,
|
const float * data,
|
||||||
int n_len,
|
int n_len,
|
||||||
int n_mel) {
|
int n_mel) {
|
||||||
if (n_mel != N_MEL) {
|
if (n_mel != WHISPER_N_MEL) {
|
||||||
fprintf(stderr, "%s: invalid number of mel bands: %d (expected %d)\n", __func__, n_mel, N_MEL);
|
fprintf(stderr, "%s: invalid number of mel bands: %d (expected %d)\n", __func__, n_mel, WHISPER_N_MEL);
|
||||||
return -1;
|
return -1;
|
||||||
}
|
}
|
||||||
|
|
||||||
@ -2219,3 +2229,247 @@ void whisper_print_timings(struct whisper_context * ctx) {
|
|||||||
printf("%s: decode time = %8.2f ms / %.2f ms per layer\n", __func__, ctx->t_decode_us/1000.0f, ctx->t_decode_us/1000.0f/ctx->model.hparams.n_text_layer);
|
printf("%s: decode time = %8.2f ms / %.2f ms per layer\n", __func__, ctx->t_decode_us/1000.0f, ctx->t_decode_us/1000.0f/ctx->model.hparams.n_text_layer);
|
||||||
printf("%s: total time = %8.2f ms\n", __func__, (t_end_us - ctx->t_start_us)/1000.0f);
|
printf("%s: total time = %8.2f ms\n", __func__, (t_end_us - ctx->t_start_us)/1000.0f);
|
||||||
}
|
}
|
||||||
|
|
||||||
|
////////////////////////////////////////////////////////////////////////////
|
||||||
|
|
||||||
|
struct whisper_full_params whisper_full_default_params(enum whisper_decode_strategy strategy) {
|
||||||
|
struct whisper_full_params result;
|
||||||
|
|
||||||
|
switch (strategy) {
|
||||||
|
case WHISPER_DECODE_GREEDY:
|
||||||
|
{
|
||||||
|
result = (struct whisper_full_params) {
|
||||||
|
.strategy = WHISPER_DECODE_GREEDY,
|
||||||
|
.n_threads = std::min(4, (int32_t) std::thread::hardware_concurrency()),
|
||||||
|
|
||||||
|
.translate = false,
|
||||||
|
.print_special_tokens = false,
|
||||||
|
.print_progress = true,
|
||||||
|
|
||||||
|
.language = "en",
|
||||||
|
|
||||||
|
.greedy = {
|
||||||
|
.n_past = 0,
|
||||||
|
},
|
||||||
|
};
|
||||||
|
} break;
|
||||||
|
case WHISPER_DECODE_BEAM_SEARCH:
|
||||||
|
{
|
||||||
|
result = (struct whisper_full_params) {
|
||||||
|
.strategy = WHISPER_DECODE_GREEDY,
|
||||||
|
.n_threads = std::min(4, (int32_t) std::thread::hardware_concurrency()),
|
||||||
|
|
||||||
|
.translate = false,
|
||||||
|
.print_special_tokens = false,
|
||||||
|
.print_progress = true,
|
||||||
|
|
||||||
|
.language = "en",
|
||||||
|
|
||||||
|
.beam_search = {
|
||||||
|
.n_past = 0,
|
||||||
|
.beam_width = 10,
|
||||||
|
.n_best = 5,
|
||||||
|
},
|
||||||
|
};
|
||||||
|
} break;
|
||||||
|
}
|
||||||
|
|
||||||
|
return result;
|
||||||
|
}
|
||||||
|
int whisper_full(
|
||||||
|
struct whisper_context * ctx,
|
||||||
|
struct whisper_full_params params,
|
||||||
|
const float * samples,
|
||||||
|
int n_samples) {
|
||||||
|
// compute log mel spectrogram
|
||||||
|
if (whisper_pcm_to_mel(ctx, samples, n_samples, params.n_threads) != 0) {
|
||||||
|
fprintf(stderr, "%s: failed to compute log mel spectrogram\n", __func__);
|
||||||
|
return -1;
|
||||||
|
}
|
||||||
|
|
||||||
|
// the accumulated text context so far
|
||||||
|
std::vector<whisper_token> prompt_past = { };
|
||||||
|
|
||||||
|
// these tokens determine the task that will be performed
|
||||||
|
std::vector<whisper_token> prompt_init = { whisper_token_sot(ctx) };
|
||||||
|
if (whisper_is_multilingual(ctx)) {
|
||||||
|
prompt_init.push_back(whisper_token_sot(ctx) + 1 + whisper_lang_id(params.language));
|
||||||
|
if (params.translate) {
|
||||||
|
prompt_init.push_back(whisper_token_translate());
|
||||||
|
} else {
|
||||||
|
prompt_init.push_back(whisper_token_transcribe());
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
auto & result_all = ctx->result_all;
|
||||||
|
auto & result_cur = ctx->result_cur;
|
||||||
|
|
||||||
|
result_all.clear();
|
||||||
|
|
||||||
|
int progress_prev = 0;
|
||||||
|
int progress_step = 5;
|
||||||
|
|
||||||
|
// main loop
|
||||||
|
int seek = 0;
|
||||||
|
while (true) {
|
||||||
|
int progress_cur = (100*seek)/whisper_n_len(ctx);
|
||||||
|
while (progress_cur >= progress_prev + progress_step) {
|
||||||
|
progress_prev += progress_step;
|
||||||
|
if (params.print_progress) {
|
||||||
|
printf("%s: progress = %3d%%\n", __func__, progress_prev);
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
if (seek >= whisper_n_len(ctx)) {
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
|
||||||
|
// encode audio features starting at offset seek
|
||||||
|
if (whisper_encode(ctx, seek, params.n_threads) != 0) {
|
||||||
|
fprintf(stderr, "%s: failed to encode\n", __func__);
|
||||||
|
return 7;
|
||||||
|
}
|
||||||
|
|
||||||
|
std::vector<whisper_token> prompt;
|
||||||
|
|
||||||
|
int n_past = 0;
|
||||||
|
|
||||||
|
// if we have already generated some text, use it as a prompt to condition the next generation
|
||||||
|
if (prompt_past.size() > 0) {
|
||||||
|
int n_take = std::min(whisper_n_text_ctx(ctx)/2, int(prompt_past.size()));
|
||||||
|
|
||||||
|
prompt = { whisper_token_prev(ctx) };
|
||||||
|
prompt.insert(prompt.begin() + 1, prompt_past.end() - n_take, prompt_past.end());
|
||||||
|
|
||||||
|
prompt_past.clear();
|
||||||
|
prompt_past.insert(prompt_past.end(), prompt.begin() + 1, prompt.end());
|
||||||
|
}
|
||||||
|
|
||||||
|
prompt.insert(prompt.end(), prompt_init.begin(), prompt_init.end());
|
||||||
|
|
||||||
|
bool done = false;
|
||||||
|
int seek_delta = 100*WHISPER_CHUNK_SIZE;
|
||||||
|
whisper_token last_id = 0;
|
||||||
|
|
||||||
|
// print the prompt
|
||||||
|
//printf("\n\n");
|
||||||
|
//for (int i = 0; i < prompt.size(); i++) {
|
||||||
|
// printf("%s: prompt[%d] = %s\n", __func__, i, vocab.id_to_token[prompt[i]].c_str());
|
||||||
|
//}
|
||||||
|
//printf("\n\n");
|
||||||
|
|
||||||
|
// the accumulated transcription in the current interation
|
||||||
|
int result_len = 0;
|
||||||
|
result_cur.clear();
|
||||||
|
|
||||||
|
for (int i = 0; i < whisper_n_text_ctx(ctx)/2 - 4; ++i) {
|
||||||
|
if (whisper_decode(ctx, prompt.data(), prompt.size(), n_past, params.n_threads) != 0) {
|
||||||
|
fprintf(stderr, "%s: failed to decode\n", __func__);
|
||||||
|
return 8;
|
||||||
|
}
|
||||||
|
|
||||||
|
n_past += prompt.size();
|
||||||
|
prompt.clear();
|
||||||
|
|
||||||
|
// very basic greedy sampling strategy:
|
||||||
|
//
|
||||||
|
// - always take the most probable token
|
||||||
|
//
|
||||||
|
// more sophisticated sampling strategies could be implemented here, but we keep it simple
|
||||||
|
// feel free to experiment!
|
||||||
|
//
|
||||||
|
{
|
||||||
|
const int n_vocab = whisper_n_vocab(ctx);
|
||||||
|
|
||||||
|
whisper_token id = 0;
|
||||||
|
whisper_token tid = whisper_token_beg(ctx);
|
||||||
|
|
||||||
|
id = whisper_sample_best(ctx, result_len == 0);
|
||||||
|
if (i > 0) {
|
||||||
|
tid = whisper_sample_timestamp(ctx);
|
||||||
|
}
|
||||||
|
|
||||||
|
// update sliding window
|
||||||
|
if (id > whisper_token_beg(ctx)) {
|
||||||
|
seek_delta = 2*(id - whisper_token_beg(ctx));
|
||||||
|
result_len = i + 1;
|
||||||
|
}
|
||||||
|
last_id = id;
|
||||||
|
|
||||||
|
// add it to the context
|
||||||
|
prompt.push_back(id);
|
||||||
|
result_cur.push_back({ seek + 2*(tid - whisper_token_beg(ctx)), id });
|
||||||
|
|
||||||
|
//printf("%s: %s\n", __func__, ctx->vocab.id_to_token[id].c_str());
|
||||||
|
|
||||||
|
// end of text token
|
||||||
|
if (id == whisper_token_eot(ctx)) {
|
||||||
|
if (result_len == 0) {
|
||||||
|
result_len = i + 1;
|
||||||
|
}
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
if (done) {
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
result_cur.resize(result_len);
|
||||||
|
|
||||||
|
for (const auto & r : result_cur) {
|
||||||
|
prompt_past.push_back(r.id);
|
||||||
|
}
|
||||||
|
|
||||||
|
// store the text from this iteration
|
||||||
|
if (result_cur.size() > 0) {
|
||||||
|
auto t0 = result_cur.front().t;
|
||||||
|
|
||||||
|
std::string text = "";
|
||||||
|
|
||||||
|
for (int i = 0; i < result_cur.size(); i++) {
|
||||||
|
if (params.print_special_tokens == false && result_cur[i].id >= whisper_token_eot(ctx)) {
|
||||||
|
} else {
|
||||||
|
text += whisper_token_to_str(ctx, result_cur[i].id);
|
||||||
|
}
|
||||||
|
if (result_cur[i].id > whisper_token_beg(ctx)) {
|
||||||
|
const auto t1 = result_cur[i].t;
|
||||||
|
if (!text.empty()) {
|
||||||
|
result_all.push_back({ t0, t1, text });
|
||||||
|
}
|
||||||
|
text = "";
|
||||||
|
while (result_cur[i].id > whisper_token_beg(ctx) && i < result_cur.size()) {
|
||||||
|
i++;
|
||||||
|
}
|
||||||
|
i--;
|
||||||
|
t0 = result_cur[i].t;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
if (!text.empty()) {
|
||||||
|
result_all.push_back({ t0, seek + seek_delta, text });
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
seek += seek_delta;
|
||||||
|
}
|
||||||
|
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
|
||||||
|
int whisper_full_n_segments(struct whisper_context * ctx) {
|
||||||
|
return ctx->result_all.size();
|
||||||
|
}
|
||||||
|
|
||||||
|
int64_t whisper_full_get_segment_t0(struct whisper_context * ctx, int i_segment) {
|
||||||
|
return ctx->result_all[i_segment].t0;
|
||||||
|
}
|
||||||
|
|
||||||
|
int64_t whisper_full_get_segment_t1(struct whisper_context * ctx, int i_segment) {
|
||||||
|
return ctx->result_all[i_segment].t1;
|
||||||
|
}
|
||||||
|
|
||||||
|
const char * whisper_full_get_segment_text(struct whisper_context * ctx, int i_segment) {
|
||||||
|
return ctx->result_all[i_segment].text.c_str();
|
||||||
|
}
|
||||||
|
30
whisper.h
30
whisper.h
@ -1,6 +1,8 @@
|
|||||||
#ifndef WHISPER_H
|
#ifndef WHISPER_H
|
||||||
#define WHISPER_H
|
#define WHISPER_H
|
||||||
|
|
||||||
|
#include <stdint.h>
|
||||||
|
|
||||||
#ifdef WHISPER_SHARED
|
#ifdef WHISPER_SHARED
|
||||||
# ifdef _WIN32
|
# ifdef _WIN32
|
||||||
# ifdef WHISPER_BUILD
|
# ifdef WHISPER_BUILD
|
||||||
@ -15,6 +17,12 @@
|
|||||||
# define WHISPER_API
|
# define WHISPER_API
|
||||||
#endif
|
#endif
|
||||||
|
|
||||||
|
#define WHISPER_SAMPLE_RATE 16000
|
||||||
|
#define WHISPER_N_FFT 400
|
||||||
|
#define WHISPER_N_MEL 80
|
||||||
|
#define WHISPER_HOP_LENGTH 160
|
||||||
|
#define WHISPER_CHUNK_SIZE 30
|
||||||
|
|
||||||
#ifdef __cplusplus
|
#ifdef __cplusplus
|
||||||
extern "C" {
|
extern "C" {
|
||||||
#endif
|
#endif
|
||||||
@ -23,12 +31,6 @@ extern "C" {
|
|||||||
// C interface
|
// C interface
|
||||||
//
|
//
|
||||||
|
|
||||||
#define SAMPLE_RATE 16000
|
|
||||||
#define N_FFT 400
|
|
||||||
#define N_MEL 80
|
|
||||||
#define HOP_LENGTH 160
|
|
||||||
#define CHUNK_SIZE 30
|
|
||||||
|
|
||||||
// TODO: documentation will come soon
|
// TODO: documentation will come soon
|
||||||
|
|
||||||
struct whisper_context;
|
struct whisper_context;
|
||||||
@ -101,7 +103,9 @@ extern "C" {
|
|||||||
|
|
||||||
int n_threads;
|
int n_threads;
|
||||||
|
|
||||||
bool transcribe;
|
bool translate;
|
||||||
|
bool print_special_tokens;
|
||||||
|
bool print_progress;
|
||||||
|
|
||||||
const char * language;
|
const char * language;
|
||||||
|
|
||||||
@ -118,14 +122,22 @@ extern "C" {
|
|||||||
};
|
};
|
||||||
};
|
};
|
||||||
|
|
||||||
|
WHISPER_API struct whisper_full_params whisper_full_default_params(enum whisper_decode_strategy strategy);
|
||||||
|
|
||||||
// full whisper run - encode + decode
|
// full whisper run - encode + decode
|
||||||
// TODO: implement
|
|
||||||
WHISPER_API int whisper_full(
|
WHISPER_API int whisper_full(
|
||||||
struct whisper_context * ctx,
|
struct whisper_context * ctx,
|
||||||
struct whisper_full_params * params,
|
struct whisper_full_params params,
|
||||||
const float * samples,
|
const float * samples,
|
||||||
int n_samples);
|
int n_samples);
|
||||||
|
|
||||||
|
WHISPER_API int whisper_full_n_segments(struct whisper_context * ctx);
|
||||||
|
|
||||||
|
WHISPER_API int64_t whisper_full_get_segment_t0(struct whisper_context * ctx, int i_segment);
|
||||||
|
WHISPER_API int64_t whisper_full_get_segment_t1(struct whisper_context * ctx, int i_segment);
|
||||||
|
|
||||||
|
WHISPER_API const char * whisper_full_get_segment_text(struct whisper_context * ctx, int i_segment);
|
||||||
|
|
||||||
#ifdef __cplusplus
|
#ifdef __cplusplus
|
||||||
}
|
}
|
||||||
#endif
|
#endif
|
||||||
|
Loading…
Reference in New Issue
Block a user