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压缩比阈值（在标记空间中） "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
### 支持多语言
支持的语言包括英语（en）、中文（zh）、德语（de）、西班牙语（es）、俄语（ru）、韩语（ko）、法语（fr）、日语（ja）、葡萄牙语（pt）、土耳其语（tr）、波兰语（pl）、加泰罗尼亚语（ca）、荷兰语（nl）、阿拉伯语（ar）、瑞典语（sv）、意大利语（it）、印尼语（id）、印地语（hi）、芬兰语（fi）、越南语（vi）、希伯来语（he）、乌克兰语（uk）、希腊语（el）、马来语（ms）、捷克语（cs）、罗马尼亚语（ro）、丹麦语（da）、匈牙利语（hu）、泰米尔语（ta）、挪威语（no）、泰语（th）、乌尔都语（ur）、克罗地亚语（hr）、保加利亚语（bg）、立陶宛语（lt）、拉丁语（la）、毛利语（mi）、马拉雅拉姆语（ml）、威尔士语（cy）、斯洛伐克语（sk）、泰卢固语（te）、波斯语（fa）、拉脱维亚语（lv）、孟加拉语（bn）、塞尔维亚语（sr）、阿塞拜疆语（az）、斯洛文尼亚语（sl）、卡纳达语（kn）、爱沙尼亚语（et）、马其顿语（mk）、布列塔尼语（br）、巴斯克语（eu）、冰岛语（is）、亚美尼亚语（hy）、尼泊尔语（ne）、蒙古语（mn）、波斯尼亚语（bs）、哈萨克语（kk）、阿尔巴尼亚语（sq）、斯瓦希里语（sw）、加利西亚语（gl）、马拉地语（mr）、旁遮普语（pa）、僧伽罗语（si）、高棉语（km）、绍纳语（sn）、约鲁巴语（yo）、索马里语（so）、南非荷兰语（af）、奥克语（oc）、格鲁吉亚语（ka）、白俄罗斯语（be）、塔吉克语（tg）、信德语（sd）、古吉拉特语（gu）、阿姆哈拉语（am）、意第绪语（yi）、老挝语（lo）、乌兹别克语（uz）、法罗语（fo）、海地克里奥尔语（ht）、普什图语（ps）、土库曼语（tk）、新挪威语（nn）、马耳他语（mt）、梵语（sa）、卢森堡语（lb）、缅甸语（my）、藏语（bo）、他加禄语（tl）、马达加斯加语（mg）、阿萨姆语（as）、鞑靼语（tt）、夏威夷语（haw）、林加拉语（ln）、豪萨语（ha）、巴什基尔语（ba）、爪哇语（jw）、巽他语（su）。

### 高性能与低资源占用
通过蒸馏技术，Whisper large-v3-turbo在保持较高性能的同时，显著减少了解码层数量，从而提高了推理速度，降低了内存需求。

### 支持多种长音频转录算法
提供顺序和分块两种长音频转录算法，可根据不同需求选择，以平衡速度和准确性。

### 与多种优化技术兼容
支持Torch compile、Flash Attention 2和Torch Scale-Product-Attention (SDPA)等优化技术，可进一步提高推理速度和效率。

## 📦 安装指南
要使用Whisper large-v3-turbo，首先需要安装必要的库。可以使用以下命令进行安装：
```bash
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate

如果要使用Flash Attention 2，还需要安装Flash Attention：

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

💻 使用示例

基础用法

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"])

高级用法

分块长音频转录

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 - 根据设备设置
    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优化

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)

# 启用静态缓存并编译前向传播
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次热身步骤
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})

# 快速运行
with sdpa_kernel(SDPBackend.MATH):
    result = pipe(sample.copy())

print(result["text"])

Flash Attention 2优化

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"])

📚 详细文档

模型细节

Whisper是一个基于Transformer的编码器 - 解码器模型，也称为序列到序列模型。Whisper模型有两种类型：仅英语模型和多语言模型。仅英语模型在英语语音识别任务上进行训练，而多语言模型则同时在多语言语音识别和语音翻译任务上进行训练。对于语音识别，模型预测的转录文本与音频语言相同；对于语音翻译，模型预测的转录文本为不同语言（通常为英语）。

Whisper检查点有五种不同大小的配置。最小的四种有仅英语和多语言两种版本，最大的检查点仅为多语言版本。所有十个预训练检查点都可以在Hugging Face Hub上找到。以下表格总结了这些检查点，并提供了Hub上模型的链接：

微调

预训练的Whisper模型在不同数据集和领域上展现出了强大的泛化能力。然而，通过微调，可以进一步提高其在某些语言和任务上的预测能力。博客文章Fine-Tune Whisper with 🤗 Transformers提供了一个使用仅5小时标注数据微调Whisper模型的详细步骤指南。

评估使用

这些模型的主要目标用户是研究当前模型的鲁棒性、泛化能力、性能、偏差和局限性的AI研究人员。然而，Whisper作为一种自动语音识别解决方案，对于开发者来说也非常有用，特别是在英语语音识别方面。我们认识到，一旦模型发布，就无法限制其仅用于“预期”用途，也难以制定合理的使用准则。

这些模型主要在自动语音识别和语音翻译为英语的任务上进行训练和评估。它们在约10种语言的自动语音识别任务中表现出色。如果在某些任务（如语音活动检测、说话人分类或说话人分割）上进行微调，模型可能会展现出额外的能力，但在这些领域尚未进行全面评估。我们强烈建议用户在特定上下文和领域中对模型进行全面评估后再进行部署。

特别需要注意的是，我们警告不要在未经个人同意的情况下使用Whisper模型转录其录音，也不要将这些模型用于任何主观分类。我们不建议在高风险领域（如决策场景）中使用该模型，因为准确性的缺陷可能导致结果出现明显偏差。这些模型旨在转录和翻译语音，将其用于分类不仅未经过评估，而且不合适，特别是用于推断人类属性时。

性能和局限性

我们的研究表明，与许多现有的自动语音识别系统相比，这些模型在应对口音、背景噪音、专业语言方面表现出更强的鲁棒性，并且在多语言到英语的零样本翻译方面也有出色表现；在语音识别和翻译方面的准确性接近当前的先进水平。

然而，由于这些模型是使用大规模噪声数据进行弱监督训练的，预测结果可能包含音频输入中实际未说出的文本（即幻觉现象）。我们推测这是因为模型在结合语言的一般知识预测音频中的下一个单词时，同时尝试转录音频本身。

我们的模型在不同语言上的表现参差不齐，在资源较少和/或可发现性较低的语言，或训练数据较少的语言上，准确性较低。模型在特定语言的不同口音和方言上也表现出差异，这可能包括不同性别、种族、年龄或其他人口统计学标准的说话者之间的单词错误率较高。我们的完整评估结果在本次发布的论文中呈现。

此外，模型的序列到序列架构使其容易生成重复文本，尽管可以通过束搜索和温度调度在一定程度上缓解，但无法完全解决。论文中提供了对这些局限性的进一步分析。在资源较少和/或可发现性较低的语言上，这种行为和幻觉现象可能会更严重。

更广泛的影响

我们预计Whisper模型的转录能力可用于改进无障碍工具。虽然Whisper模型本身不能直接用于实时转录，但其速度和规模表明，其他人可以在其基础上构建允许接近实时语音识别和翻译的应用程序。基于Whisper模型构建的有益应用程序的真正价值表明，这些模型的不同表现可能会产生实际的经济影响。

发布Whisper也存在潜在的双重用途问题。虽然我们希望这项技术主要用于有益目的，但使自动语音识别技术更易于获取可能会使更多人能够构建强大的监控技术或扩大现有的监控工作，因为其速度和准确性使得大量音频通信的自动转录和翻译变得经济可行。此外，这些模型可能具有直接识别特定个人的能力，这反过来又带来了与双重用途和不同表现相关的安全问题。实际上，我们预计转录成本不是扩大监控项目的限制因素。

🔧 技术细节

长音频转录算法

Whisper的感受野为30秒。为了转录超过这个长度的音频，需要使用以下两种长音频算法之一：

1. 顺序算法：使用“滑动窗口”进行缓冲推理，依次转录30秒的音频片段。
2. 分块算法：将长音频文件分割成较短的片段（片段之间有小的重叠），独立转录每个片段，并在边界处拼接转录结果。

在以下情况下应使用顺序长音频算法：

1. 转录准确性是最重要的因素，而速度不是主要考虑因素。
2. 正在转录批量长音频文件，在这种情况下，顺序算法的延迟与分块算法相当，但准确性可提高多达0.5%的单词错误率（WER）。

相反，在以下情况下应使用分块算法：

1. 转录速度是最重要的因素。
2. 正在转录单个长音频文件。

默认情况下，Transformers使用顺序算法。要启用分块算法，可将chunk_length_s参数传递给pipeline。对于large-v3，30秒的分块长度是最优的。要对长音频文件进行批量处理，可传递batch_size参数。

优化技术

Torch compile

Whisper的前向传播与torch.compile兼容，可实现4.5倍的速度提升。

注意：torch.compile目前与分块长音频算法或Flash Attention 2不兼容 ⚠️

Flash Attention 2

如果GPU支持，并且不使用torch.compile，我们建议使用Flash-Attention 2。要使用它，首先需要安装Flash Attention：

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

然后将attn_implementation="flash_attention_2"传递给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，我们建议使用PyTorch的缩放点积注意力（SDPA）。对于PyTorch 2.1.1或更高版本，此注意力实现默认启用。要检查是否有兼容的PyTorch版本，可运行以下Python代码片段：

from transformers.utils import is_torch_sdpa_available

print(is_torch_sdpa_available())

如果上述代码返回True，则表示已安装有效的PyTorch版本，SDPA默认启用。如果返回False，则需要根据官方说明升级PyTorch版本。

安装有效的PyTorch版本后，SDPA默认启用。也可以通过指定attn_implementation="sdpa"显式设置：

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

有关如何使用SDPA的更多信息，请参考Transformers SDPA文档。

📄 许可证

本项目采用Apache-2.0许可证。

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}
}