Kb Whisper Medium

🚀 KB-Whisper Medium

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，例如kb-whisper-small的表現就超過了體積大其六倍的openai/whisper-large-v3。

✨ 主要特性

• 性能卓越：在多個瑞典語語音數據集評估中，大幅降低單詞錯誤率，小尺寸模型也有出色表現。
• 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：除默認轉錄風格外，還有更簡潔的Subtitle和更逐字的Strict版本。

📦 安裝指南

文檔未提及安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

以下是使用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-medium"

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"}
# Add return_timestamps=True for output with timestamps
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 model ####
from faster_whisper import WhisperModel

model_id = "KBLab/kb-whisper-medium"
model = WhisperModel(
    model_id,
    device="cuda",
    compute_type="float16",
    download_root="cache", # cache directory
    # condition_on_previous_text = False # Can reduce hallucinations if we don't use prompts
)

# Transcribe audio.wav (convert to 16khz mono wav first via ffmpeg)
segments, info = model.transcribe("audio.wav", condition_on_previous_text=False)
print("Detected language '%s' with probability %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  # reduce if low on GPU mem
compute_type = "float16"  # change to "int8" if low on GPU mem (may reduce accuracy)

# 1. Transcribe with original whisper (batched)
model = whisperx.load_model(
    "KBLab/kb-whisper-medium", device, compute_type=compute_type, download_root="cache"  # cache_dir
)

audio = whisperx.load_audio(audio_file)
result = model.transcribe(audio, batch_size=batch_size)
print(result["segments"])  # before alignment

# delete model if low on GPU resources
# import gc; gc.collect(); torch.cuda.empty_cache(); del model

# 2. Align whisper output
model_a, metadata = whisperx.load_align_model(
    language_code=result["language"],
    device=device,
    model_name="KBLab/wav2vec2-large-voxrex-swedish",
    model_dir="cache",  # cache_dir
)
result = whisperx.align(
    result["segments"], model_a, metadata, audio, device, return_char_alignments=False
)

print(result["segments"])  # word level timestamps after alignment

Whisper.cpp / GGML

我們提供了可用於whisper.cpp和MacWhisper應用程序的GGML檢查點。要在whisper.cpp中使用我們的模型，首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

要使用該模型，你需要下載我們上傳的GGML檢查點之一。你可以點擊此處的下載按鈕，或者使用wget下載：

wget https://huggingface.co/KBLab/kb-whisper-medium/resolve/main/ggml-model-q5_0.bin # Quantized version
# wget https://huggingface.co/KBLab/kb-whisper-medium/resolve/main/ggml-model.bin # Non-quantized version

通過在參數-m後指定模型路徑，並將音頻文件的路徑作為最後一個位置參數來運行推理：

./build/bin/whisper-cli -m ggml-model-q5_0.bin ../audio.wav

onnx (optimum) and transformers.js usage

你可以通過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-medium"
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以在https://whisper.mesu.re/找到（由Pierre Mesure創建）。一個使用JavaScript設置此類應用的模板可以在https://github.com/xenova/whisper-web找到。

📚 詳細文檔

訓練數據

我們的模型在超過50,000小時帶有文本轉錄的瑞典語音頻數據上進行了訓練。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相應的閾值。 階段1採用較低的閾值（根據數據集，BLEU值在0到0.30之間），而階段2使用更嚴格的閾值（BLEU >= 0.7，加權ROUGE-N >= 0.7，前10個和後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。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。我們還提供了另一個階段2的檢查點，其轉錄風格更簡潔，名為subtitle。

評估

單詞錯誤率（WER）

BLEU分數

🔧 技術細節

文檔未提及技術實現細節，故跳過此章節。

📄 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，授予本項目使用由意大利CINECA和LEONARDO聯盟託管的歐洲高性能計算超級計算機LEONARDO的權限。

引用

論文參考文獻即將公佈。