Whisper Base.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，无需微调，就能在许多数据集和领域中展现出强大的泛化能力。

🚀 快速开始

Whisper是OpenAI的Alec Radford等人在论文 Robust Speech Recognition via Large-Scale Weak Supervision 中提出的自动语音识别和语音翻译预训练模型。原始代码仓库可在 这里 找到。

✨ 主要特性

• 强大的泛化能力：在68万小时的标注语音数据上进行训练，无需微调，就能在许多数据集和领域中展现出强大的泛化能力。
• 多语言支持：提供仅英文和多语言两种版本的模型。仅英文模型专注于语音识别任务，多语言模型则同时支持语音识别和语音翻译任务。
• 多种模型大小：有五种不同大小的模型配置可供选择，最小的四个模型可在仅英文或多语言数据上训练，最大的模型仅支持多语言。

📦 安装指南

文档未提供具体安装步骤，可参考 Hugging Face官方文档 进行安装。

💻 使用示例

基础用法

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

>>> # 加载模型和处理器
>>> processor = WhisperProcessor.from_pretrained("openai/whisper-base.en")
>>> model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-base.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token ID
>>> predicted_ids = model.generate(input_features)
>>> # 将token 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.']

高级用法

>>> 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-base.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)}]

📚 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。

模型在仅英文数据或多语言数据上进行训练。仅英文模型用于语音识别任务，多语言模型则同时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文本；对于语音翻译，模型预测与音频不同语言的转录文本。

Whisper有五种不同大小的模型配置。最小的四个模型可在仅英文或多语言数据上训练，最大的模型仅支持多语言。所有十个预训练模型都可以在 Hugging Face Hub 上找到。以下是模型的总结表格，包含了在Hub上的模型链接：

转录

此检查点是一个 仅英文 模型，意味着它可用于英文语音识别。通过使用多语言检查点，可以实现多语言语音识别或语音翻译。

要转录音频样本，模型必须与 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token转换为文本）

评估

以下代码片段展示了如何在 LibriSpeech test-clean 上评估Whisper base.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-base.en")
>>> model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-base.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"]))
4.271408904897505

长音频转录

Whisper模型本质上设计用于处理长达30秒的音频样本。然而，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。

微调

预训练的Whisper模型在不同数据集和领域中展现出强大的泛化能力。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 提供了一个逐步指南，介绍如何使用仅5小时的标注数据微调Whisper模型。

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、偏差和限制的AI研究人员。然而，Whisper作为一种自动语音识别解决方案，对开发者也非常有用，特别是对于英文语音识别。我们认识到，一旦模型发布，就无法限制其仅用于“预期”用途，也难以制定合理的准则来界定什么是研究，什么不是研究。

模型主要在自动语音识别和语音翻译到英文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。它们可能具有其他功能，特别是在某些任务（如语音活动检测、说话人分类或说话人分割）上进行微调后，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，我们提醒不要使用Whisper模型转录未经个人同意录制的音频，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。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。

训练数据

模型在从互联网收集的68万小时音频和相应的转录文本上进行训练。其中65%（即43.8万小时）是英文音频和匹配的英文转录文本，约18%（即12.6万小时）是非英文音频和英文转录文本，最后17%（即11.7万小时）是非英文音频和相应的转录文本。这些非英文数据代表了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系统相比，这些模型在口音、背景噪音、专业语言方面具有更强的鲁棒性，并且在从多种语言到英文的零样本翻译方面表现出色；语音识别和翻译的准确性接近当前的先进水平。

然而，由于模型使用大规模嘈杂数据进行弱监督训练，预测结果可能包含音频输入中实际未说出的文本（即幻觉）。我们假设这是因为模型在利用其语言知识预测音频中的下一个单词时，会尝试转录音频本身。

我们的模型在不同语言上的表现不均衡，在低资源和/或低可发现性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的单词错误率较高。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 对这些局限性进行了进一步分析。在低资源和/或低可发现性语言上，这种行为和幻觉可能会更严重。

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，但其速度和大小表明，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也存在潜在的双重用途问题。虽然我们希望该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允许对大量音频通信进行经济实惠的自动转录和翻译。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。

🔧 技术细节

文档未提供具体技术细节。

📄 许可证

本项目采用 apache-2.0 许可证。

BibTeX引用和引用信息

@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}
}