Kb Whisper Small

🚀 KB-Whisper Small

瑞典國家圖書館發佈了一套全新的Whisper模型，這些模型在超過50,000小時的瑞典語語音數據上進行了訓練。在對FLEURS、CommonVoice和NST等數據集的評估中，我們表現最佳的模型與OpenAI的whisper-large-v3相比，平均將單詞錯誤率（WER）降低了47%。較小尺寸的Whisper模型在瑞典語語音上的性能也有了顯著提升，其中kb-whisper-small的表現甚至超過了openai/whisper-large-v3（後者的模型大小是前者的六倍）。

✨ 主要特性

• 性能卓越：在多個瑞典語語音數據集上評估，相比OpenAI的whisper-large-v3，最佳模型平均降低47%的單詞錯誤率（WER），小尺寸模型也有顯著提升。
• 多格式支持：提供Hugging Face、whisper.cpp（GGML）、onnx和ctranslate2等不同格式的檢查點。
• 多種轉錄風格：除默認的轉錄風格外，還有更簡潔的Subtitle和更逐字的Strict兩種風格可供選擇。

📦 安裝指南

Whisper.cpp

若要使用whisper.cpp運行模型，需先克隆倉庫並構建庫：

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

然後下載GGML檢查點，可點擊此處的下載按鈕，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

基礎用法

Hugging Face

使用Hugging Face調用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 以輸出帶時間戳的結果
res = pipe("audio.mp3", 
           chunk_length_s=30,
           generate_kwargs={"task": "transcribe", "language": "sv"})
print(res)

高級用法

Faster-whisper

Faster-whisper通過使用ctranslate2重新實現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", # 緩存目錄
    # condition_on_previous_text = False # 如果不使用提示，可以減少幻覺
)

# 轉錄 audio.wav（先通過 ffmpeg 轉換為 16khz 單聲道 wav）
segments, info = model.transcribe("audio.wav", condition_on_previous_text=False)
print("檢測到的語言 '%s'，概率為 %f" % (info.language, info.language_probability))

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

WhisperX

WhisperX提供了一種方便的方法來獲取準確的單詞級時間戳。該庫將Whisper的文本輸出與Wav2vec2的準確時間戳相結合。以下是如何將KB-Whisper與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 內存不足，請減小該值
compute_type = "float16"  # 如果 GPU 內存不足，可改為 "int8"（可能會降低準確性）

# 1. 使用原始的 whisper 進行轉錄（批量處理）
model = whisperx.load_model(
    "KBLab/kb-whisper-small", device, compute_type=compute_type, download_root="cache"  # 緩存目錄
)

audio = whisperx.load_audio(audio_file)
result = model.transcribe(audio, batch_size=batch_size)
print(result["segments"])  # 對齊前的結果

# 如果 GPU 資源不足，可刪除模型
# import gc; gc.collect(); torch.cuda.empty_cache(); del model

# 2. 對齊 whisper 的輸出
model_a, metadata = whisperx.load_align_model(
    language_code=result["language"],
    device=device,
    model_name="KBLab/wav2vec2-large-voxrex-swedish",
    model_dir="cache",  # 緩存目錄
)
result = whisperx.align(
    result["segments"], model_a, metadata, audio, device, return_char_alignments=False
)

print(result["segments"])  # 對齊後的單詞級時間戳

onnx (optimum) 和 transformers.js 使用方法

可以通過Hugging Face的optimum庫以以下方式使用onnx檢查點：

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)

一個使用transformers.js和KB-Whisper在瀏覽器中進行本地推理的應用示例可在https://whisper.mesu.re/找到（由Pierre Mesure創建）。使用JavaScript設置此類應用的模板可在https://github.com/xenova/whisper-web找到。

📚 詳細文檔

模型性能對比

單詞錯誤率（WER）

BLEU分數

訓練數據

我們的模型在超過50,000小時的帶有文本轉錄的瑞典語音頻上進行了訓練。模型分兩個階段進行訓練，每個階段的特點是應用不同的質量過濾器和閾值：

• 階段1：採用較低的閾值（根據數據集不同，BLEU值在0到0.30之間）。
• 階段2：使用更嚴格的閾值（BLEU >= 0.7，加權ROUGE-N >= 0.7，首尾10個字符的CER <= 0.2）。

通過Hugging Face加載我們的模型時，默認使用階段2的模型。不過，我們也上傳了持續預訓練的檢查點並進行了標記。你可以通過在.from_pretrained()中指定revision來加載這些其他檢查點。例如，預訓練檢查點的標籤可以在pretrained-checkpoint找到。階段2的默認模型標籤名為standard。我們還提供了一個不同的階段2檢查點，其轉錄風格更簡潔，名為subtitle。

🔧 技術細節

模型更新說明（2025-05-13）

通過Hugging Face加載我們的模型時，默認使用階段2的模型。截至2025年5月，除默認版本外，還有兩個階段2的版本，即Subtitle和Strict，它們指定了轉錄風格。通過在.from_pretrained()中指定revision="subtitle"，可以訪問轉錄風格更簡潔的模型版本；通過指定revision="strict"，可以訪問更逐字的模型版本。以下是如何在.from_pretrained()函數中傳遞此參數的示例：

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"
)

這三個模型版本的轉錄風格詳細程度從最簡潔的Subtitle到默認的階段2，再到最詳細的Strict。

📄 許可證

本項目採用apache-2.0許可證。

致謝

我們感謝歐洲高性能計算聯合事業（EuroHPC Joint Undertaking）通過歐洲高性能計算人工智能和數據密集型應用訪問項目，授予本項目使用由CINECA（意大利）和LEONARDO聯盟託管的歐洲高性能計算機LEONARDO的權限。

引用

論文引用信息即將發佈。