语言:

• 英语
• 中文
• 德语
• 西班牙语
• 俄语
• 韩语
• 法语
• 日语
• 葡萄牙语
• 土耳其语
• 波兰语
• 加泰罗尼亚语
• 荷兰语
• 阿拉伯语
• 瑞典语
• 意大利语
• 印尼语
• 印地语
• 芬兰语
• 越南语
• 希伯来语
• 乌克兰语
• 希腊语
• 马来语
• 捷克语
• 罗马尼亚语
• 丹麦语
• 匈牙利语
• 泰米尔语
• 挪威语
• 泰语
• 乌尔都语
• 克罗地亚语
• 保加利亚语
• 立陶宛语
• 拉丁语
• 毛利语
• 马拉雅拉姆语
• 威尔士语
• 斯洛伐克语
• 泰卢固语
• 波斯语
• 拉脱维亚语
• 孟加拉语
• 塞尔维亚语
• 阿塞拜疆语
• 斯洛文尼亚语
• 卡纳达语
• 爱沙尼亚语
• 马其顿语
• 布列塔尼语
• 巴斯克语
• 冰岛语
• 亚美尼亚语
• 尼泊尔语
• 蒙古语
• 波斯尼亚语
• 哈萨克语
• 阿尔巴尼亚语
• 斯瓦希里语
• 加利西亚语
• 马拉地语
• 旁遮普语
• 僧伽罗语
• 高棉语
• 绍纳语
• 约鲁巴语
• 索马里语
• 南非荷兰语
• 奥克语
• 格鲁吉亚语
• 白俄罗斯语
• 塔吉克语
• 信德语
• 古吉拉特语
• 阿姆哈拉语
• 意第绪语
• 老挝语
• 乌兹别克语
• 法罗语
• 海地克里奥尔语
• 普什图语
• 土库曼语
• 新挪威语
• 马耳他语
• 梵语
• 卢森堡语
• 缅甸语
• 藏语
• 他加禄语
• 马尔加什语
• 阿萨姆语
• 鞑靼语
• 夏威夷语
• 林加拉语
• 豪萨语
• 巴什基尔语
• 爪哇语
• 巽他语

标签:

• 音频
• 自动语音识别
• hf-asr排行榜

小部件:

• 示例标题: Librispeech样本1 src: https://cdn-media.huggingface.co/speech_samples/sample1.flac
• 示例标题: Librispeech样本2 src: https://cdn-media.huggingface.co/speech_samples/sample2.flac

模型索引:

• 名称: whisper-medium 结果:
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: LibriSpeech (干净) 类型: librispeech_asr 配置: clean 分割: test 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 2.9
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: LibriSpeech (其他) 类型: librispeech_asr 配置: other 分割: test 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 5.9
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: Common Voice 11.0 类型: mozilla-foundation/common_voice_11_0 配置: hi 分割: test 参数: 语言: hi 指标:
    • 名称: 测试WER 类型: wer 值: 53.87

管道标签: automatic-speech-recognition 许可证: apache-2.0

Whisper

Whisper是一个预训练的自动语音识别（ASR）和语音翻译模型。经过68万小时标记数据的训练，Whisper模型展示了在无需微调的情况下，对许多数据集和领域具有强大的泛化能力。

Whisper由OpenAI的Alec Radford等人在论文通过大规模弱监督实现鲁棒语音识别中提出。原始代码仓库可以在这里找到。

免责声明: 本模型卡的部分内容由Hugging Face团队撰写，部分内容复制粘贴自原始模型卡。

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。它使用大规模弱监督标注的68万小时语音数据进行训练。

这些模型仅在英语数据或多语言数据上进行训练。仅英语模型训练用于语音识别任务。多语言模型同时训练用于语音识别和语音翻译。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检查点有五种不同模型大小的配置。最小的四个检查点仅在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。检查点在下表中总结，并附有Hub上的模型链接：

使用

要转录音频样本，模型需要与WhisperProcessor一起使用。

WhisperProcessor用于：

1. 预处理音频输入（将其转换为模型的log-Mel频谱图）
2. 后处理模型输出（将标记转换为文本）

模型通过传递适当的“上下文标记”来告知执行的任务（转录或翻译）。这些上下文标记是在解码过程开始时提供给解码器的标记序列，顺序如下：

1. 转录始终以<|startoftranscript|>标记开始
2. 第二个标记是语言标记（例如英语为<|en|>）
3. 第三个标记是“任务标记”。它可以取两个值之一：<|transcribe|>用于语音识别或<|translate|>用于语音翻译
4. 此外，如果模型不应包含时间戳预测，则添加<|notimestamps|>标记

因此，典型的上下文标记序列可能如下所示：

<|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。

这些标记可以是强制或非强制的。如果强制，模型必须在每个位置预测每个标记。这允许控制Whisper模型的输出语言和任务。如果非强制，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标记：

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

这强制模型在英语下执行语音识别任务。

转录

英语到英语

在此示例中，上下文标记是“非强制”的，意味着模型自动预测输出语言（英语）和任务（转录）。

>>> 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 

>>> # 生成标记ID
>>> predicted_ids = model.generate(input_features)
>>> # 将标记ID解码为文本
>>> 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.']

可以通过设置skip_special_tokens=True从转录的开头删除上下文标记。

法语到法语

以下示例通过适当设置解码器ID，演示了法语到法语的转录。

>>> 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="transcribe")

>>> # 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

>>> # 生成标记ID
>>> predicted_ids = model.generate(input_features, forced_decoder_ids=forced_decoder_ids)
>>> # 将标记ID解码为文本
>>> transcription = processor.batch_decode(predicted_ids)
['<|startoftranscript|><|fr|><|transcribe|><|notimestamps|> Un vrai travail intéressant va enfin être mené sur ce sujet.<|endoftext|>']

>>> transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)
[' Un vrai travail intéressant va enfin être mené sur ce sujet.']

翻译

将任务设置为“translate”强制Whisper模型执行语音翻译。

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

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

评估

此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，可以用于转录任意长度的音频样本。这是通过Transformers的pipeline方法实现的。分块通过在实例化管道时设置chunk_length_s=30来启用。启用分块后，管道可以使用批量推理运行。还可以通过传递return_timestamps=True扩展以预测序列级时间戳：

>>> 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)}]

有关分块算法的更多详细信息，请参阅博客文章ASR分块。

微调

预训练的Whisper模型展示了在不同数据集和领域上的强大泛化能力。然而，通过微调可以进一步提高某些语言和任务的预测能力。博客文章使用🤗 Transformers微调Whisper提供了逐步指南，使用少至5小时的标记数据微调Whisper模型。

评估使用

这些模型的主要预期用户是研究当前模型的鲁棒性、泛化能力、能力、偏见和限制的AI研究人员。然而，Whisper作为英语语音识别的ASR解决方案对开发者也很有用。我们认识到，一旦模型发布，就不可能限制仅“预期”用途或围绕什么是或不是研究制定合理指南。

这些模型主要在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。它们可能表现出额外的能力，特别是在某些任务上进行微调时，如语音活动检测、说话人分类或说话人分离，但尚未在这些领域进行稳健评估。我们强烈建议用户在特定上下文和领域中对模型进行稳健评估后再部署。

特别是，我们警告不要使用Whisper模型转录未经个人同意录制的录音，或声称将这些模型用于任何类型的主观分类。我们建议不要在高风险领域使用，如决策上下文，其中准确性的缺陷可能导致结果的明显缺陷。模型旨在转录和翻译语音，使用模型进行分类不仅未经评估，而且不合适，特别是推断人类属性。

训练数据

这些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。这些数据的65%（或43.8万小时）代表英语音频和匹配的英语转录，约18%（或12.6万小时）代表非英语音频和英语转录，而最后的17%（或11.7万小时）代表非英语音频和相应的转录。这些非英语数据代表98种不同的语言。

如[随附