模型简介
模型特点
模型能力
使用案例
🚀 Whisper IPA
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15000个标注的合成国际音标(IPA)数据的音频文件(使用goruut 0.6.2音素化器生成)上进行了微调,展示出了强大的泛化能力,无需进一步微调即可适用于多种语言、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。
免责声明: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。
✨ 主要特性
- 预训练模型,可用于自动语音识别和语音翻译。
- 经过微调,能在多种语言、数据集和领域中表现出强大的泛化能力。
- 提供多种不同大小配置的检查点,可根据需求选择。
📦 安装指南
文档未提供安装步骤,跳过此章节。
💻 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("neurlang/ipa-whisper-base")
>>> model = WhisperForConditionalGeneration.from_pretrained("neurlang/ipa-whisper-base")
>>> model.config.forced_decoder_ids = None
>>> model.config.suppress_tokens = []
>>> model.generation_config.forced_decoder_ids = None
>>> model.generation_config._from_model_config = True
>>> # 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)
>>> # 将令牌ID解码为文本
>>> transcription = processor.batch_decode(predicted_ids, skip_special_tokens=False)
['mˈɪstɚ kwˈɪltɚ ˈɪz ðə ˈeɪ pˈɑsəl ˈʌv ðə ˈmɪdəl klˈæsɪz ˈænd wˈɪɹ glæd tˈu ˈælkəm ˈhɪz gˈʌsbəl']
>>> transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)
['mˈɪstɚ kwˈɪltɚ ˈɪz ðə ˈeɪ pˈɑsəl ˈʌv ðə ˈmɪdəl klˈæsɪz ˈænd wˈɪɹ glæd tˈu ˈælkəm ˈhɪz gˈʌsbəl']
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="neurlang/ipa-whisper-base",
>>> 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"]
"mˈɪstɚ kwˈɪltɚ ˈɪz ðə ˈeɪ pˈɑsəl ˈʌv ðə ˈmɪdəl klˈæsɪz ˈænd wˈɪɹ glæd tˈu ˈælkəm ˈhɪz gˈʌsbəl"
>>> # 我们还可以返回预测的时间戳
>>> prediction = pipe(sample.copy(), batch_size=8, return_timestamps=True)["chunks"]
Whisper没有预测结束时间戳,如果音频在单词中间被截断,就可能会出现这种情况。另外,请确保在生成过程中使用了WhisperTimeStampLogitsProcessor。
📚 详细文档
微调细节
- 微调耗时20:44:16。
- 在15000个音频文件上进行训练。
- 使用的GPU是NVIDIA 3090ti,显存为24GB。
- 在来自Common Voice 21的70多种语言的15000个随机音频文件上进行微调。
模型细节
Whisper是一个基于Transformer的编码器 - 解码器模型,也被称为_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内容;对于语音翻译,模型预测与音频不同语言的转录内容。
Whisper检查点有五种不同大小的配置。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:
大小 | 参数 | 仅英语 | 多语言 |
---|---|---|---|
tiny | 39 M | ✓ | ✓ |
base | 74 M | ✓ | ✓ |
small | 244 M | ✓ | ✓ |
medium | 769 M | ✓ | ✓ |
large | 1550 M | x | ✓ |
large-v2 | 1550 M | x | ✓ |
使用说明
要转录音频样本,模型必须与WhisperProcessor
一起使用。
WhisperProcessor
用于:
- 预处理音频输入(将其转换为模型所需的对数梅尔频谱图)。
- 后处理模型输出(将其从令牌转换为文本)。
通过传递适当的“上下文令牌”,模型可以知道要执行的任务(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:
- 转录始终以
<|startoftranscript|>
令牌开始。 - 第二个令牌是语言令牌(例如,英语为
<|en|>
)。 - 第三个令牌是“任务令牌”,可以取两个值之一:
<|transcribe|>
用于语音识别,<|translate|>
用于语音翻译。 - 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|>
这告诉模型以英语进行解码,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")
这强制模型在语音识别任务中以英语进行预测。
转录
语音转国际音标
在此示例中,上下文令牌是“非强制的”,这意味着模型自动预测输出语言(英语)和任务(转录)。
长格式转录
Whisper模型本质上设计用于处理最长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
来扩展以预测序列级时间戳。
有关分块算法的更多详细信息,请参考博客文章ASR Chunking。
微调
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提供了一个逐步指南,介绍如何使用仅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ASR和英语语音翻译任务上进行训练和评估。它们在约10种语言中显示出强大的ASR结果。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)上进行微调时,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(如决策环境)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,将模型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。
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)是英语音频和匹配的英语转录文本,约18%(即12.6万小时)是非英语音频和英语转录文本,最后17%(即11.7万小时)是非英语音频和相应的转录文本。这些非英语数据代表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ASR系统相比,这些模型在口音、背景噪音、专业语言方面表现出更强的鲁棒性,并且在从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)。我们假设这是因为模型根据其对语言的一般知识,在尝试预测音频中的下一个单词时,也尝试转录音频本身。
我们的模型在不同语言上的表现不均衡,我们观察到在资源较少和/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,但其速度和大小表明,其他人可以基于它们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。虽然我们希望这项技术主要用于有益目的,但使ASR技术更易于使用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。
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Apache 2.0许可证。



