mirror of
https://github.com/ggerganov/whisper.cpp.git
synced 2024-12-18 20:27:53 +00:00
wip : some unsuccessful experiments using DP
This commit is contained in:
Georgi Gerganov
parent
57fb46f307
commit
210a6fb83c
@ -49,22 +49,20 @@ void replace_all(std::string & s, const std::string & search, const std::string
|
||||
float voice_length(const std::string & text) {
|
||||
float res = 0.0f;
|
||||
|
||||
// letters - add 1
|
||||
// digits - add 3
|
||||
// else - 0
|
||||
for (size_t i = 0; i < text.size(); ++i) {
|
||||
if (text[i] == ' ') {
|
||||
res += 0.01f;
|
||||
} else if (text[i] == ',') {
|
||||
res += 2.00f;
|
||||
} else if (text[i] == '.') {
|
||||
res += 3.00f;
|
||||
} else if (text[i] == '!') {
|
||||
res += 3.00f;
|
||||
} else if (text[i] == '?') {
|
||||
res += 3.00f;
|
||||
} else if (text[i] >= '0' && text[i] <= '9') {
|
||||
res += 3.00f;
|
||||
if (text[i] >= '0' && text[i] <= '9') {
|
||||
res += 3.0f;
|
||||
} else if (text[i] >= 'a' && text[i] <= 'z') {
|
||||
res += 1.0f;
|
||||
} else if (text[i] >= 'A' && text[i] <= 'Z') {
|
||||
res += 1.0f;
|
||||
} else {
|
||||
res += 1.00f;
|
||||
res += 0.01f;
|
||||
}
|
||||
// TODO: support unicode
|
||||
}
|
||||
|
||||
return res;
|
||||
@ -79,7 +77,7 @@ struct whisper_params {
|
||||
int32_t offset_n = 0;
|
||||
int32_t max_context = -1;
|
||||
|
||||
float word_thold = 0.01f;
|
||||
float word_thold = 0.1f;
|
||||
|
||||
bool verbose = false;
|
||||
bool translate = false;
|
||||
@ -320,170 +318,434 @@ bool output_srt(struct whisper_context * ctx, const char * fname, const whisper_
|
||||
return true;
|
||||
}
|
||||
|
||||
struct Interval {
|
||||
int x0;
|
||||
int x1;
|
||||
int type;
|
||||
};
|
||||
|
||||
struct IntervalArray : public std::vector<Interval> {
|
||||
int F = -1;
|
||||
};
|
||||
|
||||
std::vector<IntervalArray> fit_text_to_audio(const IntervalArray & input, int N, float alpha = 2.0f) {
|
||||
const int x_max = input.back().x1;
|
||||
|
||||
std::vector<int> ls;
|
||||
std::vector<int> rs;
|
||||
std::vector<int> xs;
|
||||
std::vector<int> gs;
|
||||
|
||||
int G_max = 0;
|
||||
|
||||
for (const auto & ii : input) {
|
||||
if (ii.type == 0) {
|
||||
continue;
|
||||
}
|
||||
|
||||
ls.push_back(ii.x0);
|
||||
rs.push_back(ii.x1);
|
||||
xs.push_back(ii.x0);
|
||||
xs.push_back(ii.x1);
|
||||
|
||||
gs.push_back(G_max);
|
||||
G_max += ii.x1 - ii.x0;
|
||||
gs.push_back(G_max);
|
||||
}
|
||||
|
||||
const int inf = 100*G_max;
|
||||
|
||||
struct Cell {
|
||||
int fval = -1;
|
||||
int xprev = -1;
|
||||
int w = -1;
|
||||
};
|
||||
|
||||
// Function F + initial conditions
|
||||
std::vector<std::vector<Cell>> F(xs.size());
|
||||
for (auto & Fx : F) {
|
||||
Fx.resize(N + 1);
|
||||
for (auto & f : Fx) f.fval = inf;
|
||||
Fx[0].fval = alpha*G_max;
|
||||
}
|
||||
|
||||
// DP core
|
||||
for (int n = 1; n <= N; ++n) {
|
||||
for (int ix = 0; ix < (int) xs.size(); ++ix) {
|
||||
const int x = xs[ix];
|
||||
|
||||
int best_fval = inf;
|
||||
int best_xprev = -1;
|
||||
int best_w = -1;
|
||||
|
||||
for (int il = 0; il < (int) ls.size(); ++il) {
|
||||
const int l = ls[il];
|
||||
|
||||
if (l < n) continue;
|
||||
if (l >= x) break;
|
||||
|
||||
for (int ir = il; ir < (int) rs.size(); ++ir) {
|
||||
const int r = rs[ir];
|
||||
|
||||
if (r < l + 1) continue;
|
||||
if (r > x) break;
|
||||
|
||||
const int cur_fval = F[2*il][n - 1].fval + (r - l) - (alpha + 1)*(gs[2*ir + 1] - gs[2*il]);
|
||||
|
||||
if (cur_fval < best_fval) {
|
||||
best_fval = cur_fval;
|
||||
best_xprev = 2*il;
|
||||
best_w = r - l;
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
F[ix][n].fval = best_fval;
|
||||
F[ix][n].xprev = best_xprev;
|
||||
F[ix][n].w = best_w;
|
||||
}
|
||||
}
|
||||
|
||||
// generate output
|
||||
std::vector<IntervalArray> res(N + 1);
|
||||
{
|
||||
for (int i = 1; i <= N; ++i) {
|
||||
IntervalArray resCur;
|
||||
|
||||
int n = i;
|
||||
|
||||
std::vector<int> grid(x_max + 1, 0); // initally, everything is background
|
||||
|
||||
int best_ix = 0;
|
||||
int best_fval = F[0][n].fval;
|
||||
for (int ix = 1; ix < (int) xs.size(); ++ix) {
|
||||
if (F[ix][n].fval < best_fval) {
|
||||
best_ix = ix;
|
||||
best_fval = F[ix][n].fval;
|
||||
}
|
||||
}
|
||||
|
||||
resCur.F = (i == input.size()/2) ? 0 : best_fval;
|
||||
while (true) {
|
||||
const int ix = F[best_ix][n].xprev;
|
||||
const int w = F[best_ix][n].w;
|
||||
for (int x = xs[ix]; x < xs[ix] + w; ++x) {
|
||||
grid[x] = 1; // i.e. green
|
||||
}
|
||||
best_ix = F[best_ix][n].xprev;
|
||||
if (--n == 0) break;
|
||||
}
|
||||
|
||||
int x0 = 0;
|
||||
int type = grid[0];
|
||||
for (int x1 = 1; x1 <= x_max; ++x1) {
|
||||
if (grid[x1] != grid[x1 - 1] || x1 == x_max) {
|
||||
if (type == 1) {
|
||||
resCur.push_back({x0, x1, 1});
|
||||
}
|
||||
x0 = x1;
|
||||
type = grid[x1];
|
||||
}
|
||||
}
|
||||
|
||||
res[i] = std::move(resCur);
|
||||
}
|
||||
}
|
||||
|
||||
return res;
|
||||
}
|
||||
|
||||
|
||||
// word-level timestamps (experimental)
|
||||
// TODO: probably still has bugs, needs refactoring, etc..
|
||||
// TODO: auto threshold
|
||||
// TODO: extra pass to detect unused speech and assign to tokens
|
||||
// TODO: font parameter adjustments
|
||||
bool output_wts(struct whisper_context * ctx, const char * fname, const char * fname_inp, const whisper_params & params, const std::vector<float> & pcmf32) {
|
||||
if (params.output_wts) {
|
||||
std::vector<float> pcm_avg(pcmf32.size(), 0);
|
||||
std::vector<float> pcm_avg(pcmf32.size(), 0);
|
||||
|
||||
// average the fabs of the signal
|
||||
{
|
||||
const int hw = 32;
|
||||
// average the fabs of the signal
|
||||
{
|
||||
const int hw = 32;
|
||||
|
||||
for (int i = 0; i < pcmf32.size(); i++) {
|
||||
float sum = 0;
|
||||
for (int j = -hw; j <= hw; j++) {
|
||||
if (i + j >= 0 && i + j < pcmf32.size()) {
|
||||
sum += fabs(pcmf32[i + j]);
|
||||
}
|
||||
for (int i = 0; i < pcmf32.size(); i++) {
|
||||
float sum = 0;
|
||||
for (int j = -hw; j <= hw; j++) {
|
||||
if (i + j >= 0 && i + j < pcmf32.size()) {
|
||||
sum += fabs(pcmf32[i + j]);
|
||||
}
|
||||
pcm_avg[i] = sum/(2*hw + 1);
|
||||
}
|
||||
pcm_avg[i] = sum/(2*hw + 1);
|
||||
}
|
||||
}
|
||||
|
||||
struct token_info {
|
||||
int64_t t0 = -1;
|
||||
int64_t t1 = -1;
|
||||
|
||||
int64_t tt0 = -1;
|
||||
int64_t tt1 = -1;
|
||||
|
||||
whisper_token id;
|
||||
whisper_token tid;
|
||||
|
||||
float p = 0.0f;
|
||||
float pt = 0.0f;
|
||||
float ptsum = 0.0f;
|
||||
|
||||
std::string text;
|
||||
float vlen = 0.0f; // voice length of this token
|
||||
|
||||
void calc_vlen(struct whisper_context * ctx) {
|
||||
if (id >= whisper_token_eot(ctx)) {
|
||||
vlen = 0.1f;
|
||||
return;
|
||||
}
|
||||
|
||||
vlen = voice_length(text);
|
||||
}
|
||||
|
||||
bool is_voice() const {
|
||||
return vlen > 0.5f;
|
||||
}
|
||||
};
|
||||
|
||||
int64_t t_beg = 0;
|
||||
int64_t t_last = 0;
|
||||
|
||||
whisper_token tid_last = 0;
|
||||
|
||||
std::ofstream fout(fname);
|
||||
|
||||
fprintf(stderr, "%s: saving output to '%s'\n", __func__, fname);
|
||||
|
||||
fout << "!/bin/bash" << "\n";
|
||||
fout << "\n";
|
||||
|
||||
fout << "ffmpeg -i " << fname_inp << " -f lavfi -i color=size=1200x120:duration=" << float(pcm_avg.size() + 1000)/WHISPER_SAMPLE_RATE << ":rate=25:color=black -vf \"";
|
||||
|
||||
bool is_first = true;
|
||||
|
||||
for (int i = 0; i < whisper_full_n_segments(ctx); i++) {
|
||||
const int64_t t0 = whisper_full_get_segment_t0(ctx, i);
|
||||
const int64_t t1 = whisper_full_get_segment_t1(ctx, i);
|
||||
|
||||
const char *text = whisper_full_get_segment_text(ctx, i);
|
||||
|
||||
const int s0 = std::max(0, (int) (t0*WHISPER_SAMPLE_RATE/100));
|
||||
const int s1 = std::min((int) pcm_avg.size(), (int) (t1*WHISPER_SAMPLE_RATE/100));
|
||||
|
||||
const int n = whisper_full_n_tokens(ctx, i);
|
||||
|
||||
std::vector<token_info> tokens(n);
|
||||
|
||||
if (n <= 1) {
|
||||
continue;
|
||||
}
|
||||
|
||||
for (int j = 0; j < n; ++j) {
|
||||
struct whisper_token_data token = whisper_full_get_token_data(ctx, i, j);
|
||||
|
||||
if (j == 0) {
|
||||
if (token.id == whisper_token_beg(ctx)) {
|
||||
tokens[j ].t0 = t0;
|
||||
tokens[j ].t1 = t0;
|
||||
tokens[j + 1].t0 = t0;
|
||||
|
||||
t_beg = t0;
|
||||
t_last = t0;
|
||||
tid_last = whisper_token_beg(ctx);
|
||||
} else {
|
||||
tokens[j ].t0 = t_last;
|
||||
}
|
||||
}
|
||||
|
||||
const int64_t tt = t_beg + 2*(token.tid - whisper_token_beg(ctx));
|
||||
|
||||
tokens[j].id = token.id;
|
||||
tokens[j].tid = token.tid;
|
||||
tokens[j].p = token.p;
|
||||
tokens[j].pt = token.pt;
|
||||
tokens[j].ptsum = token.ptsum;
|
||||
|
||||
tokens[j].text = whisper_token_to_str(ctx, token.id);
|
||||
tokens[j].calc_vlen(ctx);
|
||||
|
||||
if (token.pt > params.word_thold && token.ptsum > 0.01 && token.tid > tid_last) {
|
||||
if (j > 0) {
|
||||
tokens[j - 1].t1 = tt;
|
||||
}
|
||||
tokens[j].t0 = tt;
|
||||
tid_last = token.tid;
|
||||
}
|
||||
}
|
||||
|
||||
struct token_info {
|
||||
int64_t t0 = -1;
|
||||
int64_t t1 = -1;
|
||||
tokens[n - 2].t1 = t1;
|
||||
tokens[n - 1].t0 = t1;
|
||||
tokens[n - 1].t1 = t1;
|
||||
|
||||
int64_t tt0 = -1;
|
||||
int64_t tt1 = -1;
|
||||
t_last = t1;
|
||||
|
||||
whisper_token id;
|
||||
whisper_token tid;
|
||||
{
|
||||
{
|
||||
int p0 = 0;
|
||||
int p1 = 0;
|
||||
|
||||
float p = 0.0f;
|
||||
float pt = 0.0f;
|
||||
float ptsum = 0.0f;
|
||||
|
||||
std::string text;
|
||||
float vlen = 0.0f; // voice length of this token
|
||||
};
|
||||
|
||||
int64_t t_beg = 0;
|
||||
int64_t t_last = 0;
|
||||
|
||||
whisper_token tid_last = 0;
|
||||
|
||||
std::ofstream fout(fname);
|
||||
|
||||
fprintf(stderr, "%s: saving output to '%s'\n", __func__, fname);
|
||||
|
||||
fout << "!/bin/bash" << "\n";
|
||||
fout << "\n";
|
||||
|
||||
fout << "ffmpeg -i " << fname_inp << " -f lavfi -i color=size=1200x120:duration=" << float(pcmf32.size() + 1000)/WHISPER_SAMPLE_RATE << ":rate=25:color=black -vf \"";
|
||||
|
||||
bool is_first = true;
|
||||
|
||||
for (int i = 0; i < whisper_full_n_segments(ctx); i++) {
|
||||
const int64_t t0 = whisper_full_get_segment_t0(ctx, i);
|
||||
const int64_t t1 = whisper_full_get_segment_t1(ctx, i);
|
||||
|
||||
const char *text = whisper_full_get_segment_text(ctx, i);
|
||||
|
||||
const int s0 = std::max(0, (int) (t0*WHISPER_SAMPLE_RATE/100));
|
||||
const int s1 = std::min((int) pcmf32.size(), (int) (t1*WHISPER_SAMPLE_RATE/100));
|
||||
|
||||
const int n = whisper_full_n_tokens(ctx, i);
|
||||
|
||||
std::vector<token_info> tokens(n);
|
||||
|
||||
if (n <= 1) {
|
||||
continue;
|
||||
}
|
||||
|
||||
for (int j = 0; j < n; ++j) {
|
||||
struct whisper_token_data token = whisper_full_get_token_data(ctx, i, j);
|
||||
|
||||
if (j == 0) {
|
||||
if (token.id == whisper_token_beg(ctx)) {
|
||||
tokens[j ].t0 = t0;
|
||||
tokens[j ].t1 = t0;
|
||||
tokens[j + 1].t0 = t0;
|
||||
|
||||
t_beg = t0;
|
||||
t_last = t0;
|
||||
tid_last = whisper_token_beg(ctx);
|
||||
} else {
|
||||
tokens[j ].t0 = t_last;
|
||||
while (true) {
|
||||
while (p1 < n && tokens[p1].t1 < 0) {
|
||||
p1++;
|
||||
}
|
||||
}
|
||||
|
||||
const int64_t tt = t_beg + 2*(token.tid - whisper_token_beg(ctx));
|
||||
|
||||
tokens[j].id = token.id;
|
||||
tokens[j].tid = token.tid;
|
||||
tokens[j].p = token.p;
|
||||
tokens[j].pt = token.pt;
|
||||
tokens[j].ptsum = token.ptsum;
|
||||
|
||||
tokens[j].text = whisper_token_to_str(ctx, token.id);
|
||||
//tokens[j].vlen = tokens[j].pt;
|
||||
tokens[j].vlen = voice_length(tokens[j].text);
|
||||
|
||||
if (token.pt > params.word_thold && token.ptsum > 0.01 && token.tid > tid_last) {
|
||||
if (j > 0) {
|
||||
tokens[j - 1].t1 = tt;
|
||||
if (p1 >= n) {
|
||||
p1--;
|
||||
}
|
||||
tokens[j].t0 = tt;
|
||||
tid_last = token.tid;
|
||||
}
|
||||
}
|
||||
|
||||
tokens[n - 2].t1 = t1;
|
||||
tokens[n - 1].t0 = t1;
|
||||
tokens[n - 1].t1 = t1;
|
||||
if (p1 > p0) {
|
||||
IntervalArray arr;
|
||||
|
||||
t_last = t1;
|
||||
const int s0 = std::max(0, (int) (tokens[p0].t0*WHISPER_SAMPLE_RATE/100));
|
||||
const int s1 = std::min((int) pcm_avg.size() - 1, (int) (tokens[p1].t1*WHISPER_SAMPLE_RATE/100));
|
||||
|
||||
const int ns = s1 - s0;
|
||||
|
||||
float sum = 0.0f;
|
||||
for (int k = s0; k < s1; k++) {
|
||||
sum += pcm_avg[k];
|
||||
}
|
||||
|
||||
const float thold = sum/ns;
|
||||
|
||||
printf("segment %4d: s0 = %6d, s1 = %6d, ns = %6d, thold = %f\n", i, s0, s1, ns, thold);
|
||||
|
||||
{
|
||||
int last_s = -1;
|
||||
int last_type = -1;
|
||||
for (int k = s0; k < s1; k++) {
|
||||
const int type = pcm_avg[k] > thold ? 1 : 0;
|
||||
|
||||
if (type != last_type) {
|
||||
if (last_type != -1) {
|
||||
arr.push_back({ last_s, k, last_type });
|
||||
}
|
||||
last_s = k;
|
||||
last_type = type;
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
//for (int k = 0; k < arr.size(); k++) {
|
||||
// printf(" %4d: %6d, %6d, %d\n", k, arr[k].x0, arr[k].x1, arr[k].type);
|
||||
//}
|
||||
|
||||
int n_voice = 0;
|
||||
|
||||
for (int j = p0; j <= p1; ++j) {
|
||||
if (tokens[j].is_voice()) {
|
||||
n_voice++;
|
||||
}
|
||||
}
|
||||
|
||||
if (n_voice > 0 && arr.size() > n_voice) {
|
||||
printf("xxxxxxxx n = %d, n_voice = %d, arr.size() = %d\n", n, n_voice, (int) arr.size());
|
||||
auto res = fit_text_to_audio(arr, n_voice, 2.0f);
|
||||
printf("done fit_text_to_audio, F = %d\n", res[n_voice].F);
|
||||
|
||||
{
|
||||
int tid = p0;
|
||||
for (int k = 0; k < (int) res[n_voice].size(); ++k) {
|
||||
while (!tokens[tid].is_voice() && tid <= p1) {
|
||||
//if (tokens[tid].t0 < 0) {
|
||||
// tokens[tid].t0 = (int64_t) (100*res[n_voice][k].x0/WHISPER_SAMPLE_RATE);
|
||||
//}
|
||||
//if (tokens[tid].t1 < 0) {
|
||||
// tokens[tid].t1 = tokens[tid].t0;
|
||||
//}
|
||||
|
||||
tid++;
|
||||
}
|
||||
|
||||
if (tid > p1) {
|
||||
break;
|
||||
}
|
||||
|
||||
if (tokens[tid].t0 < 0) {
|
||||
tokens[tid].t0 = (int64_t) (100*res[n_voice][k].x0/WHISPER_SAMPLE_RATE);
|
||||
if (tid > 0) {
|
||||
tokens[tid - 1].t1 = tokens[tid].t0;
|
||||
}
|
||||
}
|
||||
|
||||
if (tokens[tid].t1 < 0) {
|
||||
tokens[tid].t1 = (int64_t) (100*res[n_voice][k].x1/WHISPER_SAMPLE_RATE);
|
||||
}
|
||||
|
||||
tid++;
|
||||
}
|
||||
|
||||
printf("xxxxxxxx n = %d, tid = %d\n", n, tid);
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
int p0 = 0;
|
||||
int p1 = 0;
|
||||
while (true) {
|
||||
while (p1 < n && tokens[p1].t1 < 0) {
|
||||
p1++;
|
||||
}
|
||||
|
||||
if (p1 >= n) {
|
||||
p1--;
|
||||
}
|
||||
|
||||
if (p1 > p0) {
|
||||
double psum = 0.0;
|
||||
for (int j = p0; j <= p1; j++) {
|
||||
psum += tokens[j].vlen;
|
||||
}
|
||||
|
||||
//printf("analyzing %d - %d, psum = %f\n", p0, p1, psum);
|
||||
|
||||
const double dt = tokens[p1].t1 - tokens[p0].t0;
|
||||
|
||||
for (int j = p0 + 1; j <= p1; j++) {
|
||||
const double ct = tokens[j - 1].t0 + dt*tokens[j - 1].vlen/psum;
|
||||
//const double ct = tokens[j - 1].t0 + (dt*(j - p0))/(p1 - p0 + 1);
|
||||
//const double ct = tokens[p0].t0 + (dt*(j - p0))/(p1 - p0 + 1);
|
||||
|
||||
tokens[j - 1].t1 = ct;
|
||||
tokens[j ].t0 = ct;
|
||||
p0 = p1;
|
||||
if (p1 >= n) {
|
||||
break;
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
p1++;
|
||||
p0 = p1;
|
||||
if (p1 >= n) {
|
||||
break;
|
||||
{
|
||||
int p0 = 0;
|
||||
int p1 = 0;
|
||||
while (true) {
|
||||
while (p1 < n && tokens[p1].t1 < 0) {
|
||||
p1++;
|
||||
}
|
||||
|
||||
if (p1 >= n) {
|
||||
p1--;
|
||||
}
|
||||
|
||||
if (p1 > p0) {
|
||||
double psum = 0.0;
|
||||
for (int j = p0; j <= p1; j++) {
|
||||
psum += tokens[j].vlen;
|
||||
}
|
||||
|
||||
//printf("analyzing %d - %d, psum = %f\n", p0, p1, psum);
|
||||
|
||||
const double dt = tokens[p1].t1 - tokens[p0].t0;
|
||||
|
||||
for (int j = p0 + 1; j <= p1; j++) {
|
||||
const double ct = tokens[j - 1].t0 + dt*tokens[j - 1].vlen/psum;
|
||||
//const double ct = tokens[j - 1].t0 + (dt*(j - p0))/(p1 - p0 + 1);
|
||||
//const double ct = tokens[p0].t0 + (dt*(j - p0))/(p1 - p0 + 1);
|
||||
|
||||
tokens[j - 1].t1 = ct;
|
||||
tokens[j ].t0 = ct;
|
||||
}
|
||||
}
|
||||
|
||||
p1++;
|
||||
p0 = p1;
|
||||
if (p1 >= n) {
|
||||
break;
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
for (int j = 0; j < n - 1; j++) {
|
||||
if (tokens[j].t1 < 0) {
|
||||
if (tokens[j + 1].t0 < 0) {
|
||||
tokens[j + 1].t0 = tokens[j].t1;
|
||||
}
|
||||
|
||||
tokens[j].tt0 = tokens[j].t0;
|
||||
tokens[j].tt1 = tokens[j].t1;
|
||||
|
||||
if (j < n - 2) {
|
||||
tokens[j].tt1 = std::max(tokens[j].tt1, tokens[j + 1].t0);
|
||||
}
|
||||
}
|
||||
|
||||
// VAD
|
||||
@ -495,10 +757,10 @@ bool output_wts(struct whisper_context * ctx, const char * fname, const char * f
|
||||
const int64_t t1 = tokens[j].t1;
|
||||
|
||||
int s0 = std::max(0, (int) (t0*WHISPER_SAMPLE_RATE/100));
|
||||
int s1 = std::min((int) pcmf32.size() - 1, (int) (t1*WHISPER_SAMPLE_RATE/100));
|
||||
int s1 = std::min((int) pcm_avg.size() - 1, (int) (t1*WHISPER_SAMPLE_RATE/100));
|
||||
|
||||
const int ss0 = std::max(0, (int) (t0*WHISPER_SAMPLE_RATE/100) - hw);
|
||||
const int ss1 = std::min((int) pcmf32.size() - 1, (int) (t1*WHISPER_SAMPLE_RATE/100) + hw);
|
||||
const int ss0 = std::max(0, (int) (t0*WHISPER_SAMPLE_RATE/100) - hw);
|
||||
const int ss1 = std::min((int) pcm_avg.size() - 1, (int) (t1*WHISPER_SAMPLE_RATE/100) + hw);
|
||||
|
||||
const int n = ss1 - ss0;
|
||||
|
||||
@ -535,7 +797,7 @@ bool output_wts(struct whisper_context * ctx, const char * fname, const char * f
|
||||
{
|
||||
int k = s1;
|
||||
if (pcm_avg[k] > thold) {
|
||||
while (k < (int) pcmf32.size() - 1 && pcm_avg[k] > thold) {
|
||||
while (k < (int) pcm_avg.size() - 1 && pcm_avg[k] > thold) {
|
||||
k++;
|
||||
}
|
||||
tokens[j].t1 = 100*k/WHISPER_SAMPLE_RATE;
|
||||
@ -565,119 +827,146 @@ bool output_wts(struct whisper_context * ctx, const char * fname, const char * f
|
||||
tokens[j].t1 = tokens[j].t1 + t_expand;
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
for (int j = 0; j < n; ++j) {
|
||||
const auto & token = tokens[j];
|
||||
const auto tt = token.pt > params.word_thold && token.ptsum > 0.01 ? whisper_token_to_str(ctx, token.tid) : "[?]";
|
||||
printf("%s: %10s %6.3f %6.3f %6.3f %6.3f %5d %5d '%s'\n", __func__,
|
||||
tt, token.p, token.pt, token.ptsum, token.vlen, (int) token.t0, (int) token.t1, token.text.c_str());
|
||||
{
|
||||
const std::string fname_tokens = "tokens-" + std::to_string(i) + ".txt";
|
||||
|
||||
if (tokens[j].id >= whisper_token_eot(ctx)) {
|
||||
continue;
|
||||
std::ofstream fout(fname_tokens);
|
||||
|
||||
int s0 = std::max(0, (int) (t0*WHISPER_SAMPLE_RATE/100));
|
||||
int s1 = std::min((int) pcm_avg.size() - 1, (int) (t1*WHISPER_SAMPLE_RATE/100));
|
||||
|
||||
for (int j = s0; j < s1; j++) {
|
||||
int k = -1;
|
||||
for (int r = 0; r < n; r++) {
|
||||
if (j >= (int) (tokens[r].t0*WHISPER_SAMPLE_RATE/100) && j < (int) (tokens[r].t1*WHISPER_SAMPLE_RATE/100)) {
|
||||
k = r;
|
||||
break;
|
||||
}
|
||||
}
|
||||
|
||||
//printf("[%s --> %s] %s\n", to_timestamp(token.t0).c_str(), to_timestamp(token.t1).c_str(), whisper_token_to_str(ctx, token.id));
|
||||
|
||||
//fout << "# " << to_timestamp(token.t0) << " --> " << to_timestamp(token.t1) << " " << whisper_token_to_str(ctx, token.id) << "\n";
|
||||
fout << j << " " << pcm_avg[j] << " " << float(k%3 + 1)/30.0 << std::endl;
|
||||
}
|
||||
|
||||
static const int line_wrap = 60;
|
||||
static const char * font = "/System/Library/Fonts/Supplemental/Courier New Bold.ttf";
|
||||
fout.close();
|
||||
}
|
||||
|
||||
if (!is_first) {
|
||||
fout << ",";
|
||||
for (int j = 0; j < n; ++j) {
|
||||
const auto & token = tokens[j];
|
||||
const auto tt = token.pt > params.word_thold && token.ptsum > 0.01 ? whisper_token_to_str(ctx, token.tid) : "[?]";
|
||||
printf("%s: %10s %6.3f %6.3f %6.3f %6.3f %5d %5d '%s'\n", __func__,
|
||||
tt, token.p, token.pt, token.ptsum, token.vlen, (int) token.t0, (int) token.t1, token.text.c_str());
|
||||
|
||||
if (tokens[j].id >= whisper_token_eot(ctx)) {
|
||||
continue;
|
||||
}
|
||||
|
||||
// background text
|
||||
fout << "drawtext=fontfile='" << font << "':fontsize=24:fontcolor=gray:x=(w-text_w)/2:y=h/2:text='':enable='between(t," << t0/100.0 << "," << t0/100.0 << ")'";
|
||||
//printf("[%s --> %s] %s\n", to_timestamp(token.t0).c_str(), to_timestamp(token.t1).c_str(), whisper_token_to_str(ctx, token.id));
|
||||
|
||||
is_first = false;
|
||||
//fout << "# " << to_timestamp(token.t0) << " --> " << to_timestamp(token.t1) << " " << whisper_token_to_str(ctx, token.id) << "\n";
|
||||
}
|
||||
|
||||
for (int j = 0; j < n; ++j) {
|
||||
const auto & token = tokens[j];
|
||||
static const int line_wrap = 60;
|
||||
static const char * font = "/System/Library/Fonts/Supplemental/Courier New Bold.ttf";
|
||||
|
||||
if (tokens[j].id >= whisper_token_eot(ctx)) {
|
||||
continue;
|
||||
}
|
||||
if (!is_first) {
|
||||
fout << ",";
|
||||
}
|
||||
|
||||
std::string txt_bg;
|
||||
std::string txt_fg; // highlight token
|
||||
std::string txt_ul; // underline
|
||||
// background text
|
||||
fout << "drawtext=fontfile='" << font << "':fontsize=24:fontcolor=gray:x=(w-text_w)/2:y=h/2:text='':enable='between(t," << t0/100.0 << "," << t0/100.0 << ")'";
|
||||
|
||||
txt_bg = "> ";
|
||||
txt_fg = "> ";
|
||||
txt_ul = "\\ \\ ";
|
||||
is_first = false;
|
||||
|
||||
{
|
||||
int ncnt = 0;
|
||||
for (int k = 0; k < n; ++k) {
|
||||
const auto & token2 = tokens[k];
|
||||
for (int j = 0; j < n; ++j) {
|
||||
const auto & token = tokens[j];
|
||||
|
||||
if (tokens[k].id >= whisper_token_eot(ctx)) {
|
||||
continue;
|
||||
if (tokens[j].id >= whisper_token_eot(ctx)) {
|
||||
continue;
|
||||
}
|
||||
|
||||
//if (!tokens[j].is_voice()) {
|
||||
// continue;
|
||||
//}
|
||||
|
||||
std::string txt_bg;
|
||||
std::string txt_fg; // highlight token
|
||||
std::string txt_ul; // underline
|
||||
|
||||
txt_bg = "> ";
|
||||
txt_fg = "> ";
|
||||
txt_ul = "\\ \\ ";
|
||||
|
||||
{
|
||||
int ncnt = 0;
|
||||
for (int k = 0; k < n; ++k) {
|
||||
const auto & token2 = tokens[k];
|
||||
|
||||
if (tokens[k].id >= whisper_token_eot(ctx)) {
|
||||
continue;
|
||||
}
|
||||
|
||||
const std::string txt = whisper_token_to_str(ctx, token2.id);
|
||||
|
||||
txt_bg += txt;
|
||||
|
||||
if (k == j) {
|
||||
for (int l = 0; l < (int) txt.size(); ++l) {
|
||||
txt_fg += txt[l];
|
||||
txt_ul += "_";
|
||||
}
|
||||
|
||||
const std::string txt = whisper_token_to_str(ctx, token2.id);
|
||||
|
||||
txt_bg += txt;
|
||||
|
||||
if (k == j) {
|
||||
for (int l = 0; l < (int) txt.size(); ++l) {
|
||||
txt_fg += txt[l];
|
||||
txt_ul += "_";
|
||||
}
|
||||
txt_fg += "|";
|
||||
} else {
|
||||
for (int l = 0; l < (int) txt.size(); ++l) {
|
||||
txt_fg += "\\ ";
|
||||
txt_ul += "\\ ";
|
||||
}
|
||||
}
|
||||
|
||||
ncnt += txt.size();
|
||||
|
||||
if (ncnt > line_wrap) {
|
||||
if (k < j) {
|
||||
txt_bg = "> ";
|
||||
txt_fg = "> ";
|
||||
txt_ul = "\\ \\ ";
|
||||
ncnt = 0;
|
||||
} else {
|
||||
break;
|
||||
}
|
||||
txt_fg += "|";
|
||||
} else {
|
||||
for (int l = 0; l < (int) txt.size(); ++l) {
|
||||
txt_fg += "\\ ";
|
||||
txt_ul += "\\ ";
|
||||
}
|
||||
}
|
||||
|
||||
::replace_all(txt_bg, "'", "’");
|
||||
::replace_all(txt_bg, "\"", "\\\"");
|
||||
::replace_all(txt_fg, "'", "’");
|
||||
::replace_all(txt_fg, "\"", "\\\"");
|
||||
ncnt += txt.size();
|
||||
|
||||
if (ncnt > line_wrap) {
|
||||
if (k < j) {
|
||||
txt_bg = "> ";
|
||||
txt_fg = "> ";
|
||||
txt_ul = "\\ \\ ";
|
||||
ncnt = 0;
|
||||
} else {
|
||||
break;
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
// background text
|
||||
fout << ",drawtext=fontfile='" << font << "':fontsize=24:fontcolor=gray:x=(w-text_w)/2:y=h/2:text='" << txt_bg << "':enable='between(t," << token.tt0/100.0 << "," << token.tt1/100.0 << ")'";
|
||||
|
||||
// foreground text
|
||||
fout << ",drawtext=fontfile='" << font << "':fontsize=24:fontcolor=lightgreen:x=(w-text_w)/2+8:y=h/2:text='" << txt_fg << "':enable='between(t," << token.t0/100.0 << "," << token.t1/100.0 << ")'";
|
||||
|
||||
// underline
|
||||
fout << ",drawtext=fontfile='" << font << "':fontsize=24:fontcolor=lightgreen:x=(w-text_w)/2+8:y=h/2+16:text='" << txt_ul << "':enable='between(t," << token.t0/100.0 << "," << token.t1/100.0 << ")'";
|
||||
::replace_all(txt_bg, "'", "’");
|
||||
::replace_all(txt_bg, "\"", "\\\"");
|
||||
::replace_all(txt_fg, "'", "’");
|
||||
::replace_all(txt_fg, "\"", "\\\"");
|
||||
}
|
||||
|
||||
// background text
|
||||
fout << ",drawtext=fontfile='" << font << "':fontsize=24:fontcolor=gray:x=(w-text_w)/2:y=h/2:text='" << txt_bg << "':enable='between(t," << token.tt0/100.0 << "," << token.tt1/100.0 << ")'";
|
||||
|
||||
// foreground text
|
||||
fout << ",drawtext=fontfile='" << font << "':fontsize=24:fontcolor=lightgreen:x=(w-text_w)/2+8:y=h/2:text='" << txt_fg << "':enable='between(t," << token.t0/100.0 << "," << token.t1/100.0 << ")'";
|
||||
|
||||
// underline
|
||||
fout << ",drawtext=fontfile='" << font << "':fontsize=24:fontcolor=lightgreen:x=(w-text_w)/2+8:y=h/2+16:text='" << txt_ul << "':enable='between(t," << token.t0/100.0 << "," << token.t1/100.0 << ")'";
|
||||
}
|
||||
|
||||
fout << "\" -c:v libx264 -pix_fmt yuv420p -y " << fname_inp << ".mp4" << "\n";
|
||||
|
||||
fout << "\n\n";
|
||||
fout << "echo \"Your video has been saved to " << fname_inp << ".mp4\"" << "\n";
|
||||
fout << "\n";
|
||||
fout << "echo \" ffplay " << fname_inp << ".mp4\"\n";
|
||||
fout << "\n";
|
||||
|
||||
fout.close();
|
||||
|
||||
fprintf(stderr, "%s: run 'source %s' to generate karaoke video\n", __func__, fname);
|
||||
}
|
||||
|
||||
fout << "\" -c:v libx264 -pix_fmt yuv420p -y " << fname_inp << ".mp4" << "\n";
|
||||
|
||||
fout << "\n\n";
|
||||
fout << "echo \"Your video has been saved to " << fname_inp << ".mp4\"" << "\n";
|
||||
fout << "\n";
|
||||
fout << "echo \" ffplay " << fname_inp << ".mp4\"\n";
|
||||
fout << "\n";
|
||||
|
||||
fout.close();
|
||||
|
||||
fprintf(stderr, "%s: run 'source %s' to generate karaoke video\n", __func__, fname);
|
||||
|
||||
return true;
|
||||
}
|
||||
|
||||
|
||||
Loading…
Reference in New Issue
Block a user