Whisper Large V3 Turbo Quantized.w4a16
openai/whisper-large-v3-turboをベースにしたINT4重み量子化バージョンで、効率的な音声をテキストに変換するタスクをサポートします。
ダウンロード数 1,851
リリース時間 : 4/1/2025
モデル概要
これは量子化バージョンの音声文字起こしモデルで、vLLMを通じて効率的なデプロイが可能で、音声認識と文字起こしタスクに適しています。
モデル特徴
効率的な量子化
INT4重み量子化技術を採用し、モデルサイズと計算リソースの要件を大幅に削減します。
vLLM最適化デプロイ
vLLMバックエンド用に最適化され、効率的な推論とバッチ処理をサポートします。
多言語対応
複数の言語の音声認識タスクをサポートします。
モデル能力
音声認識
音声文字起こし
多言語処理
使用事例
音声文字起こし
会議記録
会議の録音を自動的に文字記録に変換します。
メディア字幕生成
ビデオコンテンツに自動的に字幕を生成します。
🚀 whisper-large-v3-turbo-quantized.w4a16
これは、オーディオモデルの量子化バージョンです。openai/whisper-large-v3-turbo
をベースに重みを量子化し、vLLM
を使って効率的にデプロイでき、オーディオをテキストに変換するタスクに使用できます。
🚀 クイックスタート
vLLMを使用したデプロイ
このモデルは、vLLM バックエンドを使用して効率的にデプロイできます。サンプルコードは以下の通りです。
from vllm.assets.audio import AudioAsset
from vllm import LLM, SamplingParams
# モデルの準備
llm = LLM(
model="neuralmagic/whisper-large-v3-turbo-quantized.w4a16",
max_model_len=448,
max_num_seqs=400,
limit_mm_per_prompt={"audio": 1},
)
# 入力の準備
inputs = { # 明示的なエンコーダ/デコーダプロンプトのテスト
"encoder_prompt": {
"prompt": "",
"multi_modal_data": {
"audio": AudioAsset("winning_call").audio_and_sample_rate,
},
},
"decoder_prompt": "<|startoftranscript|>",
}
# 応答の生成
print("========== SAMPLE GENERATION ==============")
outputs = llm.generate(inputs, SamplingParams(temperature=0.0, max_tokens=64))
print(f"PROMPT : {outputs[0].prompt}")
print(f"RESPONSE: {outputs[0].outputs[0].text}")
print("==========================================")
vLLMは、OpenAI互換のサービスもサポートしています。詳細については、ドキュメント を参照してください。
✨ 主な機能
モデルの概要
- モデルアーキテクチャ:whisper-large-v3-turbo
- 入力:オーディオ - テキスト
- 出力:テキスト
- モデルの最適化:
- 重みの量子化:INT4
- 公開日:2025年4月16日
- バージョン:1.0
- モデル開発者:Neural Magic
このモデルは、openai/whisper-large-v3-turbo の量子化バージョンです。
モデルの最適化
このモデルは、openai/whisper-large-v3-turbo の重みをINT4データ型に量子化することで得られ、vLLM >= 0.5.2 を使用した推論に使用できます。
💻 使用例
基本的な使用法
上記のvLLMを使用したデプロイコードは、モデルをすぐに起動してオーディオの文字起こし結果を生成するための基本的な使用例です。
📚 ドキュメント
モデルの作成
このモデルは、llm-compressor を使用して作成されました。コードスニペットは以下の通りです。
モデル作成コード
python quantize.py --model_path openai/whisper-large-v3-turbo --quant_path "output_dir/whisper-large-v3-turbo-quantized.w4a16" --calib_size 1024 --group_size 64 --dampening_frac 0.01 --actorder weight
import torch
import argparse
from datasets import load_dataset
from transformers import WhisperProcessor
from llmcompressor import oneshot
from llmcompressor.modifiers.quantization import GPTQModifier
from llmcompressor.transformers.tracing import TraceableWhisperForConditionalGeneration
import os
from compressed_tensors.quantization import QuantizationArgs, QuantizationType, QuantizationStrategy, ActivationOrdering, QuantizationScheme
from llmcompressor.modifiers.smoothquant import SmoothQuantModifier
parser = argparse.ArgumentParser()
parser.add_argument('--model_path', type=str)
parser.add_argument('--quant_path', type=str)
parser.add_argument('--calib_size', type=int, default=256)
parser.add_argument('--dampening_frac', type=float, default=0.1)
parser.add_argument('--observer', type=str, default="minmax")
parser.add_argument('--actorder', type=str, default="dynamic")
parser.add_argument('--group_size', type=int, default=128)
parser.add_argument('--save_dir', type=str, required=True)
args = parser.parse_args()
model_id = args.model_path
model = TraceableWhisperForConditionalGeneration.from_pretrained(
model_id,
device_map="auto",
torch_dtype="auto",
)
model.config.forced_decoder_ids = None
processor = WhisperProcessor.from_pretrained(model_id)
# プロセッサのデータセットタスクを設定します。
processor.tokenizer.set_prefix_tokens(language="en", task="transcribe")
# キャリブレーションデータセットを選択します。
DATASET_ID = "MLCommons/peoples_speech"
DATASET_SUBSET = "test"
DATASET_SPLIT = "test"
# キャリブレーションサンプルの数を選択します。512個のサンプルが適切な開始点です。
# サンプル数を増やすと精度が向上します。
NUM_CALIBRATION_SAMPLES = args.calib_size
MAX_SEQUENCE_LENGTH = 2048
dampening_frac=args.dampening_frac
actorder_arg=args.actorder
group_size=args.group_size
# データセットをロードして前処理します。
ds = load_dataset(
DATASET_ID,
DATASET_SUBSET,
split=f"{DATASET_SPLIT}[:{NUM_CALIBRATION_SAMPLES}]",
trust_remote_code=True,
)
def preprocess(example):
return {
"array": example["audio"]["array"],
"sampling_rate": example["audio"]["sampling_rate"],
"text": " " + example["text"].capitalize(),
}
ds = ds.map(preprocess, remove_columns=ds.column_names)
# 入力を処理します。
def process(sample):
inputs = processor(
audio=sample["array"],
sampling_rate=sample["sampling_rate"],
text=sample["text"],
add_special_tokens=True,
return_tensors="pt",
)
inputs["input_features"] = inputs["input_features"].to(dtype=model.dtype)
inputs["decoder_input_ids"] = inputs["labels"]
del inputs["labels"]
return inputs
ds = ds.map(process, remove_columns=ds.column_names)
# マルチモーダル入力用のワンショットデータ収集器を定義します。
def data_collator(batch):
assert len(batch) == 1
return {key: torch.tensor(value) for key, value in batch[0].items()}
ignore=["lm_head"]
# レシピ
recipe = GPTQModifier(
targets="Linear",
config_groups={
"config_group": QuantizationScheme(
targets=["Linear"],
weights=QuantizationArgs(
num_bits=4,
type=QuantizationType.INT,
strategy=QuantizationStrategy.GROUP,
group_size=group_size,
symmetric=True,
dynamic=False,
actorder=getattr(ActivationOrdering, actorder_arg.upper()),
),
),
},
sequential_targets=["WhisperEncoderLayer", "WhisperDecoderLayer"],
ignore=["re:.*lm_head"],
update_size=NUM_CALIBRATION_SAMPLES,
dampening_frac=dampening_frac
)
# アルゴリズムを適用します。
oneshot(
model=model,
dataset=ds,
recipe=recipe,
max_seq_length=MAX_SEQUENCE_LENGTH,
num_calibration_samples=NUM_CALIBRATION_SAMPLES,
data_collator=data_collator,
)
# 圧縮されたモデルをディスクに保存します。
save_name = f"{model_id.split('/')[-1]}-quantized.w4a16"
save_path = os.path.join(args.save_dir, save_name)
print("Saving model:", save_path)
model.save_pretrained(save_path, save_compressed=True)
processor.save_pretrained(save_path)
モデルの評価
このモデルは、LibriSpeech と Fleurs データセットで lmms-eval を使用して評価されました。コマンドは以下の通りです。
評価コマンド
Librispeech:
lmms-eval \
--model=whisper_vllm \
--model_args="pretrained=neuralmagic-ent/whisper-large-v3-turbo-quantized.w4a16" \
--batch_size 64 \
--output_path <output_file_path> \
--tasks librispeech
Fleurs:
lmms-eval \
--model=whisper_vllm \
--model_args="pretrained=neuralmagic-ent/whisper-large-v3-turbo-quantized.w4a16" \
--batch_size 64 \
--output_path <output_file_path> \
--tasks fleurs
評価結果は次の表の通りです。
ベンチマーク | 分割 | BF16 | W4A16 | 回復率 (%) |
---|---|---|---|---|
LibriSpeech (WER) | test-clean | |||
test-other | ||||
Fleurs (X→en, WER) | cmn_hans_cn | 8.2384 | 9.1255 | 90.23% |
en | 4.2914 | 4.4425 | 96.660% | |
yue_hant_hk | 10.5004 | 12.0418 | 87.2 |
📄 ライセンス
このプロジェクトは、Apache-2.0 ライセンスの下で提供されています。
Voice Activity Detection
MIT
pyannote.audio 2.1バージョンに基づく音声活動検出モデルで、音声中の音声活動時間帯を識別するために使用されます
音声認識
V
pyannote
7.7M
181
Wav2vec2 Large Xlsr 53 Portuguese
Apache-2.0
これはポルトガル語音声認識タスク向けにファインチューニングされたXLSR-53大規模モデルで、Common Voice 6.1データセットでトレーニングされ、ポルトガル語音声からテキストへの変換をサポートします。
音声認識 その他
W
jonatasgrosman
4.9M
32
Whisper Large V3
Apache-2.0
WhisperはOpenAIが提案した先進的な自動音声認識(ASR)および音声翻訳モデルで、500万時間以上の注釈付きデータで訓練されており、強力なデータセット間およびドメイン間の汎化能力を持っています。
音声認識 複数言語対応
W
openai
4.6M
4,321
Whisper Large V3 Turbo
MIT
WhisperはOpenAIが開発した最先端の自動音声認識(ASR)および音声翻訳モデルで、500万時間以上のラベル付きデータでトレーニングされ、ゼロショット設定において強力な汎化能力を発揮します。
音声認識
Transformers 複数言語対応

W
openai
4.0M
2,317
Wav2vec2 Large Xlsr 53 Russian
Apache-2.0
facebook/wav2vec2-large-xlsr-53モデルをファインチューニングしたロシア語音声認識モデル、16kHzサンプリングレートの音声入力をサポート
音声認識 その他
W
jonatasgrosman
3.9M
54
Wav2vec2 Large Xlsr 53 Chinese Zh Cn
Apache-2.0
facebook/wav2vec2-large-xlsr-53モデルをファインチューニングした中国語音声認識モデルで、16kHzサンプリングレートの音声入力をサポートしています。
音声認識 中国語
W
jonatasgrosman
3.8M
110
Wav2vec2 Large Xlsr 53 Dutch
Apache-2.0
facebook/wav2vec2-large-xlsr-53をファインチューニングしたオランダ語音声認識モデルで、Common VoiceとCSS10データセットでトレーニングされ、16kHz音声入力に対応しています。
音声認識 その他
W
jonatasgrosman
3.0M
12
Wav2vec2 Large Xlsr 53 Japanese
Apache-2.0
facebook/wav2vec2-large-xlsr-53モデルをベースにファインチューニングした日本語音声認識モデルで、16kHzサンプリングレートの音声入力をサポート
音声認識 日本語
W
jonatasgrosman
2.9M
33
Mms 300m 1130 Forced Aligner
Hugging Faceの事前学習モデルを基にしたテキストと音声の強制アライメントツールで、多言語対応かつメモリ効率に優れています
音声認識
Transformers 複数言語対応

M
MahmoudAshraf
2.5M
50
Wav2vec2 Large Xlsr 53 Arabic
Apache-2.0
facebook/wav2vec2-large-xlsr - 53をベースに微調整されたアラビア語音声認識モデルで、Common Voiceとアラビア語音声コーパスで訓練されました。
音声認識 アラビア語
W
jonatasgrosman
2.3M
37
おすすめAIモデル
Llama 3 Typhoon V1.5x 8b Instruct
タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化
大規模言語モデル
Transformers 複数言語対応

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2%です。
対話システム
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。
質問応答システム 中国語
R
uer
2,694
98