Whisper Medium

🚀 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 中提出的基于Transformer的编解码器模型，也称为 序列到序列 模型。原始代码仓库可在 这里 找到。

✨ 主要特性

• 多语言支持：支持多种语言，包括英语、中文、德语、西班牙语等众多语言。
• 泛化能力强：在68万小时的标注数据上训练，无需微调即可在多数据集和领域中表现出色。
• 任务多样：可进行语音识别和语音翻译任务。
• 模型大小可选：有五种不同大小配置的检查点可供选择。

📦 安装指南

文档中未提及安装步骤，可参考Hugging Face相关文档进行安装。

💻 使用示例

基础用法

转录示例

>>> 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")
>>> model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-medium")
>>> model.config.forced_decoder_ids = None

>>> # 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 

>>> # 生成令牌ID
>>> predicted_ids = model.generate(input_features)
>>> # 解码令牌ID为文本
>>> transcription = processor.batch_decode(predicted_ids, skip_special_tokens=False)
['<|startoftranscript|> <|en|> <|transcribe|> <|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

翻译示例（法语到英语）

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

>>> # 加载模型和处理器
>>> processor = WhisperProcessor.from_pretrained("openai/whisper-medium")
>>> model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-medium")
>>> forced_decoder_ids = processor.get_decoder_prompt_ids(language="french", task="translate")

>>> # 加载流式数据集并读取第一个音频样本
>>> ds = load_dataset("common_voice", "fr", split="test", streaming=True)
>>> ds = ds.cast_column("audio", Audio(sampling_rate=16_000))
>>> input_speech = next(iter(ds))["audio"]
>>> input_features = processor(input_speech["array"], sampling_rate=input_speech["sampling_rate"], return_tensors="pt").input_features

>>> # 生成令牌ID
>>> predicted_ids = model.generate(input_features, forced_decoder_ids=forced_decoder_ids)
>>> # 解码令牌ID为文本
>>> transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)
[' A very interesting work, we will finally be given on this subject.']

评估示例

>>> 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")
>>> model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-medium").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"]))
2.900409225488902

长音频转录示例

>>> 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",
>>>   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是基于Transformer的编解码器模型，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，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检查点有五种不同大小配置。最小的四个模型在仅英语或多语言数据上训练，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：

使用说明

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（将令牌转换为文本）

通过传递适当的“上下文令牌”，可以告知模型执行的任务（转录或翻译）。这些上下文令牌是在解码过程开始时提供给解码器的一系列令牌，顺序如下：

1. 转录始终以 <|startoftranscript|> 令牌开始
2. 第二个令牌是语言令牌（例如，英语为 <|en|>）
3. 第三个令牌是“任务令牌”。它可以取两个值之一：<|transcribe|> 用于语音识别，<|translate|> 用于语音翻译
4. 此外，如果模型不应包括时间戳预测，则添加 <|notimestamps|> 令牌

因此，典型的上下文令牌序列可能如下所示：

<|startoftranscript|> <|en|> <|transcribe|> <|notimestamps|>

这告诉模型以英语解码，执行语音识别任务，并且不预测时间戳。

这些令牌可以是强制的或非强制的。如果是强制的，模型将在每个位置预测每个令牌，这允许控制Whisper模型的输出语言和任务。如果是非强制的，Whisper模型将自动预测输出语言和任务。

可以相应地设置上下文令牌：

model.config.forced_decoder_ids = WhisperProcessor.get_decoder_prompt_ids(language="english", task="transcribe")

这将强制模型在语音识别任务下以英语进行预测。

评估说明

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

>>> 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")
>>> model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-medium").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"]))
2.900409225488902

长音频转录说明

Whisper模型本质上设计用于处理长达30秒的音频样本。但是，通过使用分块算法，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 扩展以预测序列级时间戳。

微调说明

预训练的Whisper模型在不同数据集和领域中表现出强大的泛化能力。但是，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 提供了使用仅5小时标注数据微调Whisper模型的分步指南。

训练数据说明

模型在从互联网收集的68万小时音频和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）是非英语音频和相应转录。这些非英语数据代表98种不同的语言。

性能和局限性说明

研究表明，与许多现有ASR系统相比，该模型在口音、背景噪音、专业语言方面具有更强的鲁棒性，并且在多种语言到英语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最先进水平。

然而，由于模型使用大规模噪声数据进行弱监督训练，预测可能包括音频输入中实际未说出的文本（即幻觉）。推测这是因为模型结合了预测音频中下一个单词和转录音频本身的尝试。

模型在不同语言上的表现不均衡，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的单词错误率较高。完整的评估结果见 本次发布的论文。

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，但不能完全解决。论文 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，这种行为和幻觉可能更严重。

更广泛影响说明

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实际价值表明，这些模型的不同性能可能具有实际经济影响。

发布Whisper也存在潜在的双重用途问题。虽然希望该技术主要用于有益目的，但使ASR技术更易于使用可能使更多参与者能够构建强大的监控技术或扩大现有监控工作，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，预计转录成本不是扩大监控项目的限制因素。

🔧 技术细节

模型架构

Whisper是基于Transformer的编解码器模型，采用 序列到序列 架构。

训练方法

在68万小时的标注语音数据上进行训练，使用大规模弱监督进行标注。

上下文令牌机制

通过传递上下文令牌告知模型执行的任务和语言，令牌顺序和含义有明确规定，可强制或非强制设置。

分块算法

用于处理长音频转录，通过Transformers的 pipeline 方法实现，启用分块后可进行批量推理和时间戳预测。

📄 许可证

本模型使用的许可证为 apache-2.0。

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}
}

⚠️ 重要提示

请勿使用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。不建议在高风险领域（如决策环境）中使用，因为准确性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。

💡 使用建议

在部署模型之前，强烈建议在特定上下文和领域中对模型进行全面评估。如果需要处理长音频，可以使用分块算法；如果需要提高特定语言和任务的性能，可以进行微调。