Whisper Medium.en

🚀 Whisper

Whisper是一个用于自动语音识别（ASR）和语音翻译的预训练模型。该模型在68万小时的标注数据上进行训练，展现出强大的泛化能力，无需微调即可适用于多种数据集和领域。

Whisper由OpenAI的Alec Radford等人在论文Robust Speech Recognition via Large-Scale Weak Supervision中提出。原始代码仓库可在此处找到。

声明：此模型卡片的部分内容由Hugging Face团队撰写，部分内容从原始模型卡片复制粘贴而来。

🚀 快速开始

本模型是一个仅支持英语的模型，可用于英语语音识别。若要进行多语言语音识别或语音翻译，可使用多语言检查点。

要转录音频样本，该模型需与WhisperProcessor一起使用。

WhisperProcessor用于：

1. 预处理音频输入（将其转换为模型所需的对数梅尔频谱图）
2. 后处理模型输出（将其从标记转换为文本）

✨ 主要特性

• 泛化能力强：在68万小时的标注数据上训练，无需微调即可适用于多种数据集和领域。
• 多语言支持：有仅支持英语和多语言两种版本，可满足不同需求。
• 功能多样：可用于语音识别和语音翻译任务。

📦 安装指南

使用该模型前，需要安装相关依赖库，可使用以下命令进行安装：

pip install transformers datasets torch evaluate

💻 使用示例

基础用法

转录

>>> from transformers import WhisperProcessor, WhisperForConditionalGeneration
>>> from datasets import load_dataset

>>> # 加载模型和处理器
>>> processor = WhisperProcessor.from_pretrained("openai/whisper-medium.en")
>>> model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-medium.en")

>>> # 加载虚拟数据集并读取音频文件
>>> ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> sample = ds[0]["audio"]
>>> input_features = processor(sample["array"], sampling_rate=sample["sampling_rate"], return_tensors="pt").input_features 

>>> # 生成标记ID
>>> predicted_ids = model.generate(input_features)
>>> # 将标记ID解码为文本
>>> transcription = processor.batch_decode(predicted_ids, skip_special_tokens=False)
['<|startoftranscript|><|notimestamps|> Mr. Quilter is the apostle of the middle classes, and we are glad to welcome his gospel.<|endoftext|>']

>>> transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)
[' Mr. Quilter is the apostle of the middle classes and we are glad to welcome his gospel.']

可以通过设置skip_special_tokens=True从转录开头移除上下文标记。

评估

以下代码片段展示了如何在LibriSpeech test-clean上评估Whisper medium.en：

>>> from datasets import load_dataset
>>> from transformers import WhisperForConditionalGeneration, WhisperProcessor
>>> import torch
>>> from evaluate import load

>>> librispeech_test_clean = load_dataset("librispeech_asr", "clean", split="test")

>>> processor = WhisperProcessor.from_pretrained("openai/whisper-medium.en")
>>> model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-medium.en").to("cuda")

>>> def map_to_pred(batch):
>>>     audio = batch["audio"]
>>>     input_features = processor(audio["array"], sampling_rate=audio["sampling_rate"], return_tensors="pt").input_features
>>>     batch["reference"] = processor.tokenizer._normalize(batch['text'])
>>> 
>>>     with torch.no_grad():
>>>         predicted_ids = model.generate(input_features.to("cuda"))[0]
>>>     transcription = processor.decode(predicted_ids)
>>>     batch["prediction"] = processor.tokenizer._normalize(transcription)
>>>     return batch

>>> result = librispeech_test_clean.map(map_to_pred)

>>> wer = load("wer")
>>> print(100 * wer.compute(references=result["reference"], predictions=result["prediction"]))
3.0154449620004904

长音频转录

Whisper模型本质上设计用于处理时长最长为30秒的音频样本。但是，通过使用分块算法，它可以用于转录任意长度的音频样本。这可以通过Transformers的pipeline方法实现。在实例化管道时，通过设置chunk_length_s=30启用分块。启用分块后，管道可以进行批量推理。还可以通过传递return_timestamps=True来预测序列级时间戳：

>>> import torch
>>> from transformers import pipeline
>>> from datasets import load_dataset

>>> device = "cuda:0" if torch.cuda.is_available() else "cpu"

>>> pipe = pipeline(
>>>   "automatic-speech-recognition",
>>>   model="openai/whisper-medium.en",
>>>   chunk_length_s=30,
>>>   device=device,
>>> )

>>> ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> sample = ds[0]["audio"]

>>> prediction = pipe(sample.copy(), batch_size=8)["text"]
" Mr. Quilter is the apostle of the middle classes, and we are glad to welcome his gospel."

>>> # 我们还可以返回预测的时间戳
>>> prediction = pipe(sample.copy(), batch_size=8, return_timestamps=True)["chunks"]
[{'text': ' Mr. Quilter is the apostle of the middle classes and we are glad to welcome his gospel.',
  'timestamp': (0.0, 5.44)}]

有关分块算法的更多详细信息，请参考博客文章ASR Chunking。

高级用法

微调

预训练的Whisper模型在不同数据集和领域具有很强的泛化能力。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模型的分步指南。

📚 详细文档

模型详情

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。它在68万小时的标注语音数据上进行训练，这些数据使用大规模弱监督进行标注。

模型在仅英语数据或多语言数据上进行训练。仅英语模型用于语音识别任务，多语言模型用于语音识别和语音翻译任务。对于语音识别，模型预测与音频相同语言的转录；对于语音翻译，模型预测与音频不同语言的转录。

Whisper检查点有五种不同模型大小的配置。最小的四种在仅英语或多语言数据上进行训练，最大的检查点仅支持多语言。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：

训练数据

模型在从互联网收集的68万小时音频及其相应转录上进行训练。其中65%（即43.8万小时）是英语音频和匹配的英语转录，约18%（即12.6万小时）是非英语音频和英语转录，最后17%（即11.7万小时）是非英语音频及其相应转录。这些非英语数据代表了98种不同的语言。

正如随附论文中所讨论的，我们发现给定语言的转录性能与该语言的训练数据量直接相关。

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（ASR）系统相比，这些模型在应对口音、背景噪音、专业术语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；语音识别和翻译的准确性接近当前的先进水平。

然而，由于模型是使用大规模嘈杂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基于其对语言的一般知识，在尝试预测音频中的下一个单词时，会与尝试转录音频本身相结合。

我们的模型在不同语言上的表现参差不齐，对于资源较少和/或可发现性较低的语言，或者训练数据较少的语言，我们观察到其准确性较低。模型在特定语言的不同口音和方言上也表现出不同的性能，这可能包括不同性别、种族、年龄或其他人口统计标准的说话者之间的较高的单词错误率。我们的完整评估结果在本次发布的随附论文中呈现。

此外，模型的序列到序列架构使其容易生成重复文本，虽然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。论文中对这些局限性进行了进一步分析。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辅助工具。虽然Whisper模型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，这些模型的不同性能可能会产生实际的经济影响。

发布Whisper也带来了潜在的双重用途担忧。虽然我们希望该技术主要用于有益目的，但使ASR技术更易于获取可能会使更多参与者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，这些模型可能具有一些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性能相关的安全问题。实际上，我们预计转录成本不是扩大监控项目的限制因素。

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、功能、偏差和局限性的AI研究人员。然而，Whisper作为一种ASR解决方案对开发者也可能非常有用，特别是对于英语语音识别。我们认识到，一旦模型发布，就不可能将其使用限制在“预期”用途上，也难以制定合理的准则来界定什么是研究，什么不是研究。

这些模型主要在ASR和语音翻译到英语的任务上进行训练和评估。它们在约10种语言的ASR任务中表现出强大的性能。它们可能具有其他功能，特别是如果在某些任务（如语音活动检测、说话人分类或说话人分割）上进行微调，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。

特别是，我们警告不要使用Whisper模型在未经个人同意的情况下转录其录音，或声称使用这些模型进行任何主观分类。我们不建议在高风险领域（如决策场景）中使用，因为准确性的缺陷可能导致结果出现明显缺陷。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。

🔧 技术细节

模型结构

Whisper是一个基于Transformer的编码器 - 解码器模型，采用序列到序列的架构。

训练方法

模型使用大规模弱监督的方式在68万小时的标注语音数据上进行训练。

性能评估

在多个数据集上进行评估，如LibriSpeech，评估指标主要使用单词错误率（WER）。

📄 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}
}