Kb Whisper Small

🚀 KB-Whisper Small

瑞典国家图书馆发布了一套全新的Whisper模型，这些模型在超过50,000小时的瑞典语语音数据上进行了训练。在对FLEURS、CommonVoice和NST等数据集的评估中，我们表现最佳的模型与OpenAI的whisper-large-v3相比，平均将单词错误率（WER）降低了47%。较小尺寸的Whisper模型在瑞典语语音上的性能也有了显著提升，其中kb-whisper-small的表现甚至超过了openai/whisper-large-v3（后者的模型大小是前者的六倍）。

✨ 主要特性

• 性能卓越：在多个瑞典语语音数据集上评估，相比OpenAI的whisper-large-v3，最佳模型平均降低47%的单词错误率（WER），小尺寸模型也有显著提升。
• 多格式支持：提供Hugging Face、whisper.cpp（GGML）、onnx和ctranslate2等不同格式的检查点。
• 多种转录风格：除默认的转录风格外，还有更简洁的Subtitle和更逐字的Strict两种风格可供选择。

📦 安装指南

Whisper.cpp

若要使用whisper.cpp运行模型，需先克隆仓库并构建库：

git clone https://github.com/ggerganov/whisper.cpp.git
cd whisper.cpp
cmake -B build
cmake --build build --config Release

然后下载GGML检查点，可点击此处的下载按钮，或使用wget命令：

wget https://huggingface.co/KBLab/kb-whisper-small/resolve/main/ggml-model-q5_0.bin # 量化版本
# wget https://huggingface.co/KBLab/kb-whisper-small/resolve/main/ggml-model.bin # 非量化版本

💻 使用示例

基础用法

Hugging Face

使用Hugging Face调用KB-Whisper的推理示例：

import torch
from datasets import load_dataset
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32
model_id = "KBLab/kb-whisper-small"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, use_safetensors=True, cache_dir="cache"
)
model.to(device)
processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    torch_dtype=torch_dtype,
    device=device,
)

generate_kwargs = {"task": "transcribe", "language": "sv"}
# 添加 return_timestamps=True 以输出带时间戳的结果
res = pipe("audio.mp3", 
           chunk_length_s=30,
           generate_kwargs={"task": "transcribe", "language": "sv"})
print(res)

高级用法

Faster-whisper

Faster-whisper通过使用ctranslate2重新实现Whisper，提供快速高效的推理：

#### faster-whisper 模型 ####
from faster_whisper import WhisperModel

model_id = "KBLab/kb-whisper-small"
model = WhisperModel(
    model_id,
    device="cuda",
    compute_type="float16",
    download_root="cache", # 缓存目录
    # condition_on_previous_text = False # 如果不使用提示，可以减少幻觉
)

# 转录 audio.wav（先通过 ffmpeg 转换为 16khz 单声道 wav）
segments, info = model.transcribe("audio.wav", condition_on_previous_text=False)
print("检测到的语言 '%s'，概率为 %f" % (info.language, info.language_probability))

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

WhisperX

WhisperX提供了一种方便的方法来获取准确的单词级时间戳。该库将Whisper的文本输出与Wav2vec2的准确时间戳相结合。以下是如何将KB-Whisper与KBLab/wav2vec2-large-voxrex-swedish一起使用的示例：

import whisperx

device = "cuda"
audio_file = "audio.wav"
batch_size = 16  # 如果 GPU 内存不足，请减小该值
compute_type = "float16"  # 如果 GPU 内存不足，可改为 "int8"（可能会降低准确性）

# 1. 使用原始的 whisper 进行转录（批量处理）
model = whisperx.load_model(
    "KBLab/kb-whisper-small", device, compute_type=compute_type, download_root="cache"  # 缓存目录
)

audio = whisperx.load_audio(audio_file)
result = model.transcribe(audio, batch_size=batch_size)
print(result["segments"])  # 对齐前的结果

# 如果 GPU 资源不足，可删除模型
# import gc; gc.collect(); torch.cuda.empty_cache(); del model

# 2. 对齐 whisper 的输出
model_a, metadata = whisperx.load_align_model(
    language_code=result["language"],
    device=device,
    model_name="KBLab/wav2vec2-large-voxrex-swedish",
    model_dir="cache",  # 缓存目录
)
result = whisperx.align(
    result["segments"], model_a, metadata, audio, device, return_char_alignments=False
)

print(result["segments"])  # 对齐后的单词级时间戳

onnx (optimum) 和 transformers.js 使用方法

可以通过Hugging Face的optimum库以以下方式使用onnx检查点：

from optimum.onnxruntime import ORTModelForSpeechSeq2Seq
from transformers import AutoProcessor

model_id = "KBLab/kb-whisper-small"
processor = AutoProcessor.from_pretrained(model_id, cache_dir="cache")
model = ORTModelForSpeechSeq2Seq.from_pretrained(
    model_id,
    cache_dir="cache",
    subfolder="onnx",
)

import soundfile as sf
audio = sf.read("audio.wav")

inputs = processor.feature_extractor(audio[0], sampling_rate=16000, return_tensors="pt")
gen_tokens = model.generate(**inputs, max_length=300)
processor.decode(gen_tokens[0], skip_special_tokens=True)

一个使用transformers.js和KB-Whisper在浏览器中进行本地推理的应用示例可在https://whisper.mesu.re/找到（由Pierre Mesure创建）。使用JavaScript设置此类应用的模板可在https://github.com/xenova/whisper-web找到。

📚 详细文档

模型性能对比

单词错误率（WER）

BLEU分数

训练数据

我们的模型在超过50,000小时的带有文本转录的瑞典语音频上进行了训练。模型分两个阶段进行训练，每个阶段的特点是应用不同的质量过滤器和阈值：

• 阶段1：采用较低的阈值（根据数据集不同，BLEU值在0到0.30之间）。
• 阶段2：使用更严格的阈值（BLEU >= 0.7，加权ROUGE-N >= 0.7，首尾10个字符的CER <= 0.2）。

通过Hugging Face加载我们的模型时，默认使用阶段2的模型。不过，我们也上传了持续预训练的检查点并进行了标记。你可以通过在.from_pretrained()中指定revision来加载这些其他检查点。例如，预训练检查点的标签可以在pretrained-checkpoint找到。阶段2的默认模型标签名为standard。我们还提供了一个不同的阶段2检查点，其转录风格更简洁，名为subtitle。

🔧 技术细节

模型更新说明（2025-05-13）

通过Hugging Face加载我们的模型时，默认使用阶段2的模型。截至2025年5月，除默认版本外，还有两个阶段2的版本，即Subtitle和Strict，它们指定了转录风格。通过在.from_pretrained()中指定revision="subtitle"，可以访问转录风格更简洁的模型版本；通过指定revision="strict"，可以访问更逐字的模型版本。以下是如何在.from_pretrained()函数中传递此参数的示例：

import torch
from datasets import load_dataset
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32
model_id = "KBLab/kb-whisper-small"
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, use_safetensors=True, cache_dir="cache", revision="strict"
)

这三个模型版本的转录风格详细程度从最简洁的Subtitle到默认的阶段2，再到最详细的Strict。

📄 许可证

本项目采用apache-2.0许可证。

致谢

我们感谢欧洲高性能计算联合事业（EuroHPC Joint Undertaking）通过欧洲高性能计算人工智能和数据密集型应用访问项目，授予本项目使用由CINECA（意大利）和LEONARDO联盟托管的欧洲高性能计算机LEONARDO的权限。

引用

论文引用信息即将发布。