Question

我有ar-01.wav格式的6秒钟录音（wav）。我想使用亚马逊服务将音频文件转录为文本。为此，我创建了名称为test-voip的存储桶，并将音频文件上传到存储桶。当我尝试将语音转换为文本时，6秒钟的音频需要13.12秒。这是我的代码段

session = boto3.Session(aws_access_key_id=aws_access_key_id, 
aws_secret_access_key=aws_secret_access_key)
transcribe = session.client('transcribe', region_name='us-east-1')
job_name = "audio_text_trail9"
job_uri = "https://test-voip.s3.amazonaws.com/ar-01.wav"
transcribe.start_transcription_job(
    TranscriptionJobName=job_name,
    Media={'MediaFileUri': job_uri},
    MediaFormat='wav',
    LanguageCode='en-US',
    MediaSampleRateHertz=16000
    )

while True:
    status = transcribe.get_transcription_job(TranscriptionJobName=job_name)
    if status['TranscriptionJob']['TranscriptionJobStatus'] in ['COMPLETED', 'FAILED']:
        break
print("converted to text")
myurl = status['TranscriptionJob']['Transcript']['TranscriptFileUri']
print(myurl)
Text_Data = (requests.get(myurl).json())['results']['transcripts'][0]['transcript']

print(Text_data)

在这里，我的代码工作正常，即使在嘈杂的音频上，准确性也很棒，但是时间消耗太高。我在哪里犯了错误，是什么拖延了这么多的时间来转录？一旦获得转录的json，提取所需信息的时间就可以忽略不计了。如何加快转录过程，或者还有其他更好的方法吗？

Answer 1

对我来说，AWS Transcribe花了20分钟来转录一个17分钟的文件。一种可能的想法是将音频文件分成多个块，然后在EC2上使用具有16个内核的多处理程序，例如g3.4xlarge实例。

将音频文件分为16个部分，静默阈值为-20，然后转换为.wav：

$ sudo apt-get install mp3splt
$ sudo apt-get install ffmpeg
$ mp3splt -s -p th=-20,nt=16 splitted.mp3
$ ffmpeg -i splitted.mp3 splitted.wav

然后，将多重处理与16个内核同时进行转录，为TranscriptionJobName和job_uri中的每一个映射您的转录函数（transcribe.start_transcription_job）：

import multiprocessing

output=[]
data = range(0,16)

def f(x):
    job_name = "Name"+str(x)
    job_uri = "https://s3.amazonaws.com/bucket/splitted"+str(x)+".wav"
    transcribe.start_transcription_job(
    TranscriptionJobName=job_name,
    Media={'MediaFileUri': job_uri},
    MediaFormat='wav',
    LanguageCode='pt-BR',
    OutputBucketName= "bucket",
    MediaSampleRateHertz=8000,
    Settings={"MaxSpeakerLabels": 2,
      "ShowSpeakerLabels": True})
    while True:
        status = transcribe.get_transcription_job(TranscriptionJobName=job_name)
        if status['TranscriptionJob']['TranscriptionJobStatus'] in ['COMPLETED','FAILED']:
            break

def mp_handler():
    p = multiprocessing.Pool(16)
    r=p.map(f, data)
    return r

if __name__ == '__main__':
    output.append(mp_handler())

Answer 2

我研究了没有运气的字幕速度保证

在this forum post（需要aws帐户）中，发帖人进行了基准测试，结果如下：

一个10分钟的剪辑大约花了5分钟
40分钟的剪辑大约需要17分钟
一个2小时的文件耗时36分钟

Amazon官方消息来源指出：“目前，对于30秒以上的音频，转录速度得到了更好的优化。当音频文件长度变长时，您将开始看到更好的处理时间与音频持续时间的比率大约需要2分钟或更长时间。话虽如此，我们正在努力提高整体转录速度”

我希望它对研究人员有帮助

如何加快AWS Transcribe的处理时间？

2 个答案: