Whisper Large V3 Turbo

device = "cuda:0" if torch.cuda.is_available() else "cpu" torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "deepdml/whisper-large-v3-turbo"

model = AutoModelForSpeechSeq2Seq.from_pretrained( model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True ) model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation") dataset = dataset.cast_column("audio", Audio(processor.feature_extractor.sampling_rate)) sample = dataset[0]["audio"]

inputs = processor( sample["array"], sampling_rate=sample["sampling_rate"], return_tensors="pt", truncation=False, padding="longest", return_attention_mask=True, ) inputs = inputs.to(device, dtype=torch_dtype)

gen_kwargs = { "max_new_tokens": 448, "num_beams": 1, "condition_on_prev_tokens": False, "compression_ratio_threshold": 1.35, # zlib壓縮比閾值（在標記空間中） "temperature": (0.0, 0.2, 0.4, 0.6, 0.8, 1.0), "logprob_threshold": -1.0, "no_speech_threshold": 0.6, "return_timestamps": True, }

pred_ids = model.generate(**inputs, **gen_kwargs) pred_text = processor.batch_decode(pred_ids, skip_special_tokens=True, decode_with_timestamps=False)

print(pred_text)

</details>

## ✨ 主要特性
### 支持多語言
支持的語言包括英語（en）、中文（zh）、德語（de）、西班牙語（es）、俄語（ru）、韓語（ko）、法語（fr）、日語（ja）、葡萄牙語（pt）、土耳其語（tr）、波蘭語（pl）、加泰羅尼亞語（ca）、荷蘭語（nl）、阿拉伯語（ar）、瑞典語（sv）、意大利語（it）、印尼語（id）、印地語（hi）、芬蘭語（fi）、越南語（vi）、希伯來語（he）、烏克蘭語（uk）、希臘語（el）、馬來語（ms）、捷克語（cs）、羅馬尼亞語（ro）、丹麥語（da）、匈牙利語（hu）、泰米爾語（ta）、挪威語（no）、泰語（th）、烏爾都語（ur）、克羅地亞語（hr）、保加利亞語（bg）、立陶宛語（lt）、拉丁語（la）、毛利語（mi）、馬拉雅拉姆語（ml）、威爾士語（cy）、斯洛伐克語（sk）、泰盧固語（te）、波斯語（fa）、拉脫維亞語（lv）、孟加拉語（bn）、塞爾維亞語（sr）、阿塞拜疆語（az）、斯洛文尼亞語（sl）、卡納達語（kn）、愛沙尼亞語（et）、馬其頓語（mk）、布列塔尼語（br）、巴斯克語（eu）、冰島語（is）、亞美尼亞語（hy）、尼泊爾語（ne）、蒙古語（mn）、波斯尼亞語（bs）、哈薩克語（kk）、阿爾巴尼亞語（sq）、斯瓦希里語（sw）、加利西亞語（gl）、馬拉地語（mr）、旁遮普語（pa）、僧伽羅語（si）、高棉語（km）、紹納語（sn）、約魯巴語（yo）、索馬里語（so）、南非荷蘭語（af）、奧克語（oc）、格魯吉亞語（ka）、白俄羅斯語（be）、塔吉克語（tg）、信德語（sd）、古吉拉特語（gu）、阿姆哈拉語（am）、意第緒語（yi）、老撾語（lo）、烏茲別克語（uz）、法羅語（fo）、海地克里奧爾語（ht）、普什圖語（ps）、土庫曼語（tk）、新挪威語（nn）、馬耳他語（mt）、梵語（sa）、盧森堡語（lb）、緬甸語（my）、藏語（bo）、他加祿語（tl）、馬達加斯加語（mg）、阿薩姆語（as）、韃靼語（tt）、夏威夷語（haw）、林加拉語（ln）、豪薩語（ha）、巴什基爾語（ba）、爪哇語（jw）、巽他語（su）。

### 高性能與低資源佔用
通過蒸餾技術，Whisper large-v3-turbo在保持較高性能的同時，顯著減少了解碼層數量，從而提高了推理速度，降低了內存需求。

### 支持多種長音頻轉錄算法
提供順序和分塊兩種長音頻轉錄算法，可根據不同需求選擇，以平衡速度和準確性。

### 與多種優化技術兼容
支持Torch compile、Flash Attention 2和Torch Scale-Product-Attention (SDPA)等優化技術，可進一步提高推理速度和效率。

## 📦 安裝指南
要使用Whisper large-v3-turbo，首先需要安裝必要的庫。可以使用以下命令進行安裝：
```bash
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate

如果要使用Flash Attention 2，還需要安裝Flash Attention：

pip install flash-attn --no-build-isolation

💻 使用示例

基礎用法

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


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "deepdml/whisper-large-v3-turbo"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
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,
)

dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]

result = pipe(sample)
print(result["text"])

高級用法

分塊長音頻轉錄

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


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "deepdml/whisper-large-v3-turbo"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    chunk_length_s=30,
    batch_size=16,  # 推理的批量大小 - 根據設備設置
    torch_dtype=torch_dtype,
    device=device,
)

dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]

result = pipe(sample)
print(result["text"])

Torch compile優化

import torch
from torch.nn.attention import SDPBackend, sdpa_kernel
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset
from tqdm import tqdm

torch.set_float32_matmul_precision("high")

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "deepdml/whisper-large-v3-turbo"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True
).to(device)

# 啟用靜態緩存並編譯前向傳播
model.generation_config.cache_implementation = "static"
model.generation_config.max_new_tokens = 256
model.forward = torch.compile(model.forward, mode="reduce-overhead", fullgraph=True)

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,
)

dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]

# 2次熱身步驟
for _ in tqdm(range(2), desc="Warm-up step"):
    with sdpa_kernel(SDPBackend.MATH):
        result = pipe(sample.copy(), generate_kwargs={"min_new_tokens": 256, "max_new_tokens": 256})

# 快速運行
with sdpa_kernel(SDPBackend.MATH):
    result = pipe(sample.copy())

print(result["text"])

Flash Attention 2優化

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


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "deepdml/whisper-large-v3-turbo"

model = AutoModelForSpeechSeq2Seq.from_pretrained(model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, attn_implementation="flash_attention_2")
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,
)

dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]

result = pipe(sample)
print(result["text"])

📚 詳細文檔

模型細節

Whisper是一個基於Transformer的編碼器 - 解碼器模型，也稱為序列到序列模型。Whisper模型有兩種類型：僅英語模型和多語言模型。僅英語模型在英語語音識別任務上進行訓練，而多語言模型則同時在多語言語音識別和語音翻譯任務上進行訓練。對於語音識別，模型預測的轉錄文本與音頻語言相同；對於語音翻譯，模型預測的轉錄文本為不同語言（通常為英語）。

Whisper檢查點有五種不同大小的配置。最小的四種有僅英語和多語言兩種版本，最大的檢查點僅為多語言版本。所有十個預訓練檢查點都可以在Hugging Face Hub上找到。以下表格總結了這些檢查點，並提供了Hub上模型的鏈接：

微調

預訓練的Whisper模型在不同數據集和領域上展現出了強大的泛化能力。然而，通過微調，可以進一步提高其在某些語言和任務上的預測能力。博客文章Fine-Tune Whisper with 🤗 Transformers提供了一個使用僅5小時標註數據微調Whisper模型的詳細步驟指南。

評估使用

這些模型的主要目標用戶是研究當前模型的魯棒性、泛化能力、性能、偏差和侷限性的AI研究人員。然而，Whisper作為一種自動語音識別解決方案，對於開發者來說也非常有用，特別是在英語語音識別方面。我們認識到，一旦模型發佈，就無法限制其僅用於“預期”用途，也難以制定合理的使用準則。

這些模型主要在自動語音識別和語音翻譯為英語的任務上進行訓練和評估。它們在約10種語言的自動語音識別任務中表現出色。如果在某些任務（如語音活動檢測、說話人分類或說話人分割）上進行微調，模型可能會展現出額外的能力，但在這些領域尚未進行全面評估。我們強烈建議用戶在特定上下文和領域中對模型進行全面評估後再進行部署。

特別需要注意的是，我們警告不要在未經個人同意的情況下使用Whisper模型轉錄其錄音，也不要將這些模型用於任何主觀分類。我們不建議在高風險領域（如決策場景）中使用該模型，因為準確性的缺陷可能導致結果出現明顯偏差。這些模型旨在轉錄和翻譯語音，將其用於分類不僅未經過評估，而且不合適，特別是用於推斷人類屬性時。

性能和侷限性

我們的研究表明，與許多現有的自動語音識別系統相比，這些模型在應對口音、背景噪音、專業語言方面表現出更強的魯棒性，並且在多語言到英語的零樣本翻譯方面也有出色表現；在語音識別和翻譯方面的準確性接近當前的先進水平。

然而，由於這些模型是使用大規模噪聲數據進行弱監督訓練的，預測結果可能包含音頻輸入中實際未說出的文本（即幻覺現象）。我們推測這是因為模型在結合語言的一般知識預測音頻中的下一個單詞時，同時嘗試轉錄音頻本身。

我們的模型在不同語言上的表現參差不齊，在資源較少和/或可發現性較低的語言，或訓練數據較少的語言上，準確性較低。模型在特定語言的不同口音和方言上也表現出差異，這可能包括不同性別、種族、年齡或其他人口統計學標準的說話者之間的單詞錯誤率較高。我們的完整評估結果在本次發佈的論文中呈現。

此外，模型的序列到序列架構使其容易生成重複文本，儘管可以通過束搜索和溫度調度在一定程度上緩解，但無法完全解決。論文中提供了對這些侷限性的進一步分析。在資源較少和/或可發現性較低的語言上，這種行為和幻覺現象可能會更嚴重。

更廣泛的影響

我們預計Whisper模型的轉錄能力可用於改進無障礙工具。雖然Whisper模型本身不能直接用於即時轉錄，但其速度和規模表明，其他人可以在其基礎上構建允許接近即時語音識別和翻譯的應用程序。基於Whisper模型構建的有益應用程序的真正價值表明，這些模型的不同表現可能會產生實際的經濟影響。

發佈Whisper也存在潛在的雙重用途問題。雖然我們希望這項技術主要用於有益目的，但使自動語音識別技術更易於獲取可能會使更多人能夠構建強大的監控技術或擴大現有的監控工作，因為其速度和準確性使得大量音頻通信的自動轉錄和翻譯變得經濟可行。此外，這些模型可能具有直接識別特定個人的能力，這反過來又帶來了與雙重用途和不同表現相關的安全問題。實際上，我們預計轉錄成本不是擴大監控項目的限制因素。

🔧 技術細節

長音頻轉錄算法

Whisper的感受野為30秒。為了轉錄超過這個長度的音頻，需要使用以下兩種長音頻算法之一：

1. 順序算法：使用“滑動窗口”進行緩衝推理，依次轉錄30秒的音頻片段。
2. 分塊算法：將長音頻文件分割成較短的片段（片段之間有小的重疊），獨立轉錄每個片段，並在邊界處拼接轉錄結果。

在以下情況下應使用順序長音頻算法：

1. 轉錄準確性是最重要的因素，而速度不是主要考慮因素。
2. 正在轉錄批量長音頻文件，在這種情況下，順序算法的延遲與分塊算法相當，但準確性可提高多達0.5%的單詞錯誤率（WER）。

相反，在以下情況下應使用分塊算法：

1. 轉錄速度是最重要的因素。
2. 正在轉錄單個長音頻文件。

默認情況下，Transformers使用順序算法。要啟用分塊算法，可將chunk_length_s參數傳遞給pipeline。對於large-v3，30秒的分塊長度是最優的。要對長音頻文件進行批量處理，可傳遞batch_size參數。

優化技術

Torch compile

Whisper的前向傳播與torch.compile兼容，可實現4.5倍的速度提升。

注意：torch.compile目前與分塊長音頻算法或Flash Attention 2不兼容 ⚠️

Flash Attention 2

如果GPU支持，並且不使用torch.compile，我們建議使用Flash-Attention 2。要使用它，首先需要安裝Flash Attention：

pip install flash-attn --no-build-isolation

然後將attn_implementation="flash_attention_2"傳遞給from_pretrained：

model = AutoModelForSpeechSeq2Seq.from_pretrained(model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, attn_implementation="flash_attention_2")

Torch Scale-Product-Attention (SDPA)

如果GPU不支持Flash Attention，我們建議使用PyTorch的縮放點積注意力（SDPA）。對於PyTorch 2.1.1或更高版本，此注意力實現默認啟用。要檢查是否有兼容的PyTorch版本，可運行以下Python代碼片段：

from transformers.utils import is_torch_sdpa_available

print(is_torch_sdpa_available())

如果上述代碼返回True，則表示已安裝有效的PyTorch版本，SDPA默認啟用。如果返回False，則需要根據官方說明升級PyTorch版本。

安裝有效的PyTorch版本後，SDPA默認啟用。也可以通過指定attn_implementation="sdpa"顯式設置：

model = AutoModelForSpeechSeq2Seq.from_pretrained(model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, attn_implementation="sdpa")

有關如何使用SDPA的更多信息，請參考Transformers SDPA文檔。

📄 許可證

本項目採用Apache-2.0許可證。

BibTeX引用

@misc{radford2022whisper,
  doi = {10.48550/ARXIV.2212.04356},
  url = {https://arxiv.org/abs/2212.04356},
  author = {Radford, Alec and Kim, Jong Wook and Xu, Tao and Brockman, Greg and McLeavey, Christine and Sutskever, Ilya},
  title = {Robust Speech Recognition via Large-Scale Weak Supervision},
  publisher = {arXiv},
  year = {2022},
  copyright = {arXiv.org perpetual, non-exclusive license}
}