语言:

• 英文 标签:
• 音频
• 自动语音识别 许可证: MIT 库名称: ctranslate2

Distil-Whisper: distil-large-v3 for CTranslate2

此仓库包含转换为CTranslate2格式的distil-large-v3模型权重。CTranslate2是一个针对Transformer模型的快速推理引擎，也是Faster-Whisper包的支持后端。

与之前的Distil-Whisper版本相比，distil-large-v3专门设计为兼容OpenAI Whisper的长文本转录算法。在我们对4个分布外数据集的基准测试中，distil-large-v3比distil-large-v2平均提升了5%的词错误率(WER)。因此，切换到这一最新检查点可以预期显著的性能提升。

使用方法

要在Faster-Whisper中使用该模型，首先按照官方说明安装PyPi包。此示例中，我们还将安装🤗 Datasets以从Hugging Face Hub加载一个示例音频数据集：

pip install --upgrade pip
pip install --upgrade git+https://github.com/SYSTRAN/faster-whisper datasets[audio]

以下代码片段加载distil-large-v3模型，并在LibriSpeech ASR数据集的一个示例文件上运行推理：

import torch
from faster_whisper import WhisperModel
from datasets import load_dataset

# 定义我们的torch配置
device = "cuda:0" if torch.cuda.is_available() else "cpu"
compute_type = "float16" if torch.cuda.is_available() else "float32"

# 在GPU可用时加载模型到GPU，否则到CPU
model = WhisperModel("distil-large-v3", device=device, compute_type=compute_type)

# 加载示例玩具数据集
dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
sample = dataset[1]["audio"]["path"]

segments, info = model.transcribe(sample, beam_size=1)

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

要转录本地音频文件，只需将音频文件路径作为audio参数传递给transcribe：

segments, info = model.transcribe("audio.mp3", beam_size=1)

模型详情

有关distil-large-v3模型的更多信息，请参考原始模型卡片。

许可证

Distil-Whisper继承了OpenAI Whisper模型的MIT许可证。

引用

如果使用此模型，请考虑引用Distil-Whisper论文：

@misc{gandhi2023distilwhisper,
      title={Distil-Whisper: Robust Knowledge Distillation via Large-Scale Pseudo Labelling}, 
      author={Sanchit Gandhi and Patrick von Platen and Alexander M. Rush},
      year={2023},
      eprint={2311.00430},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}