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 = "openai/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
支持以下多种语言：
- en、zh、de、es、ru、ko、fr、ja、pt、tr、pl、ca、nl、ar、sv、it、id、hi、fi、vi、he、uk、el、ms、cs、ro、da、hu、ta、'no'、th、ur、hr、bg、lt、la、mi、ml、cy、sk、te、fa、lv、bn、sr、az、sl、kn、et、mk、br、eu、is、hy、ne、mn、bs、kk、sq、sw、gl、mr、pa、si、km、sn、yo、so、af、oc、ka、be、tg、sd、gu、am、yi、lo、uz、fo、ht、ps、tk、nn、mt、sa、lb、my、bo、tl、mg、as、tt、haw、ln、ha、ba、jw、su

### 速度和内存优化
可以对Whisper应用额外的速度和内存优化，以进一步降低推理速度和显存要求。
#### 分块长格式转录
Whisper的接收域为30秒。要转录超过此长度的音频，需要使用以下两种长格式算法之一：
1. **顺序算法**：使用“滑动窗口”进行缓冲推理，逐个转录30秒的音频片段。
2. **分块算法**：将长音频文件分割成较短的文件（片段之间有小的重叠），独立转录每个片段，并在边界处拼接生成的转录结果。

在以下任何一种情况下，应使用顺序长格式算法：
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，但准确率可提高多达0.5%。

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，请将`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处理，请传递参数`batch_size`：
```python
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 = "openai/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 - 根据设备进行设置
    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编译

Whisper前向传播与torch.compile兼容，可实现4.5倍的加速。

注意：torch.compile目前与分块长格式算法或Flash Attention 2不兼容⚠️

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 = "openai/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次预热步骤
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

如果你的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缩放点积注意力（SDPA）

如果你的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。要检查你是否有兼容的PyTorch版本，请运行以下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，则表示你已安装有效的PyTorch版本，并且SDPA默认启用。如果返回False，则需要根据官方说明升级你的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，请参阅Transformers SDPA文档。

📚 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。仅英语模型是在英语语音识别任务上训练的。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，模型预测与音频相同语言的转录结果。对于语音翻译，模型预测与音频不同语言的转录结果。

Whisper检查点有五种不同模型大小的配置。最小的四种模型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模型对不同的数据集和领域表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，介绍如何使用低至5小时的标注数据对Whisper模型进行微调。

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，对开发者来说也可能非常有用，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。

这些模型主要在自动语音识别和语音翻译成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。它们可能还具备其他能力，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充分评估。我们强烈建议用户在特定的上下文和领域中对模型进行充分评估后再进行部署。

特别要注意的是，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的问题。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，并且能够实现多种语言到英语的零样本翻译；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，其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的同时，也试图转录音频本身。

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人之间的单词错误率较高。我们的完整评估结果见本次发布随附的论文。

此外，模型的序列到序列架构使其容易生成重复文本，尽管可以通过束搜索和温度调度在一定程度上缓解，但无法完全消除。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，其他人可以在此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还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的目的，但提高自动语音识别技术的可访问性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对大量音频通信进行经济实惠的自动转录和翻译成为可能。此外，这些模型可能具备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

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}
}

📄 许可证

本项目采用MIT许可证。