许可证: mit 语言: 法语 库名称: transformers 管道标签: 自动语音识别 缩略图: 无 标签:

• 自动语音识别
• hf-asr排行榜 数据集:
• mozilla-foundation/common_voice_13_0
• facebook/multilingual_librispeech
• facebook/voxpopuli
• google/fleurs
• gigant/african_accented_french 指标:
• 词错误率(WER) 模型索引:
• 名称: whisper-large-v3-french-distil-dec8 结果:
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: Common Voice 13.0 类型: mozilla-foundation/common_voice_13_0 配置: fr 拆分: test 参数: 语言: fr 指标:
    • 名称: WER 类型: wer 值: 7.62
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: 多语言LibriSpeech (MLS) 类型: facebook/multilingual_librispeech 配置: french 拆分: test 参数: 语言: fr 指标:
    • 名称: WER 类型: wer 值: 3.80
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: VoxPopuli 类型: facebook/voxpopuli 配置: fr 拆分: test 参数: 语言: fr 指标:
    • 名称: WER 类型: wer 值: 8.85
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: Fleurs 类型: google/fleurs 配置: fr_fr 拆分: test 参数: 语言: fr 指标:
    • 名称: WER 类型: wer 值: 5.40
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: 非洲口音法语 类型: gigant/african_accented_french 配置: fr 拆分: test 参数: 语言: fr 指标:
    • 名称: WER 类型: wer 值: 4.18

Whisper-Large-V3-法语-蒸馏-Dec8版

Whisper-Large-V3-法语-蒸馏版代表了对Whisper-Large-V3-法语原版进行蒸馏的一系列变体，通过将解码器层数从32层减少到16、8、4或2层，并采用大规模数据集进行蒸馏训练，具体方法详见这篇论文。

蒸馏版本在降低内存占用和推理时间的同时，保持了性能（基于保留的层数），并减轻了长文本转录中出现幻觉的风险。此外，它们可以与原版Whisper-Large-V3-法语模型无缝结合，用于推测性解码，相比单独使用蒸馏模型，能提高推理速度并保持输出一致性。

该模型已转换为多种格式，便于在不同库中使用，包括transformers、openai-whisper、fasterwhisper、whisper.cpp、candle、mlx等。

目录

• 性能表现
• 使用方法
  • Hugging Face流水线
  • Hugging Face底层API
  • 推测性解码
  • OpenAI Whisper
  • Faster Whisper
  • Whisper.cpp
  • Candle
  • MLX
• 训练细节
• 致谢

性能表现

我们在短文本和长文本转录上评估了模型，并在分布内和分布外数据集上进行了测试，以全面分析其准确性、泛化能力和鲁棒性。

请注意，报告的WER是经过将数字转换为文本、去除标点（撇号和连字符除外）并将所有字符转为小写后的结果。

所有公开数据集的评估结果可在此处查看。

短文本转录

由于法语缺乏现成的域外(OOD)和长文本测试集，我们使用了Zaion Lab的内部测试集进行评估。这些测试集包含来自呼叫中心对话的人工标注音频-文本对，特点是背景噪音大且包含领域特定术语。

长文本转录

长文本转录使用🤗 Hugging Face流水线进行快速评估。音频文件被分割成30秒的片段并行处理。

使用方法

Hugging Face流水线

该模型可以轻松与🤗 Hugging Face的pipeline类一起用于音频转录。

对于长文本转录(>30秒)，可以通过传递chunk_length_s参数激活处理。这种方法将音频分割成较小片段并行处理，然后在步长处通过寻找最长公共序列进行拼接。虽然这种分块长文本方法在性能上可能略逊于OpenAI的顺序算法，但提供了9倍更快的推理速度。

import torch
from datasets import load_dataset
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

# 加载模型
model_name_or_path = "bofenghuang/whisper-large-v3-french-distil-dec8"
processor = AutoProcessor.from_pretrained(model_name_or_path)
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_name_or_path,
    torch_dtype=torch_dtype,
    low_cpu_mem_usage=True,
)
model.to(device)

# 初始化流水线
pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    feature_extractor=processor.feature_extractor,
    tokenizer=processor.tokenizer,
    torch_dtype=torch_dtype,
    device=device,
    # chunk_length_s=30,  # 用于长文本转录
    max_new_tokens=128,
)

# 示例音频
dataset = load_dataset("bofenghuang/asr-dummy", "fr", split="test")
sample = dataset[0]["audio"]

# 运行流水线
result = pipe(sample)
print(result["text"])

Hugging Face底层API

你也可以使用🤗 Hugging Face的底层API进行转录，提供对流程的更大控制，如下所示：

import torch
from datasets import load_dataset
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

# 加载模型
model_name_or_path = "bofenghuang/whisper-large-v3-french-distil-dec8"
processor = AutoProcessor.from_pretrained(model_name_or_path)
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_name_or_path,
    torch_dtype=torch_dtype,
    low_cpu_mem_usage=True,
)
model.to(device)

# 示例音频
dataset = load_dataset("bofenghuang/asr-dummy", "fr", split="test")
sample = dataset[0]["audio"]

# 提取特征
input_features = processor(
    sample["array"], sampling_rate=sample["sampling_rate"], return_tensors="pt"
).input_features

# 生成标记
predicted_ids = model.generate(
    input_features.to(dtype=torch_dtype).to(device), max_new_tokens=128
)

# 解码为文本
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]
print(transcription)

推测性解码

推测性解码可以使用草稿模型实现，本质上是Whisper的蒸馏版本。这种方法保证与单独使用主Whisper模型相同的输出，提供2倍更快的推理速度，并且只带来轻微的内存开销增加。

由于蒸馏Whisper具有与原始模型相同的编码器，在推理过程中只需要加载其解码器，编码器输出在主模型和草稿模型之间共享。

使用Hugging Face流水线进行推测性解码很简单 - 只需在生成配置中指定assistant_model。

import torch
from datasets import load_dataset
from transformers import (
    AutoModelForCausalLM,
    AutoModelForSpeechSeq2Seq,
    AutoProcessor,
    pipeline,
)

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

# 加载模型
model_name_or_path = "bofenghuang/whisper-large-v3-french"
processor = AutoProcessor.from_pretrained(model_name_or_path)
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_name_or_path,
    torch_dtype=torch_dtype,
    low_cpu_mem_usage=True,
)
model.to(device)

# 加载草稿模型
assistant_model_name_or_path = "bofenghuang/whisper-large-v3-french-distil-dec2"
assistant_model = AutoModelForCausalLM.from_pretrained(
    assistant_model_name_or_path,
    torch_dtype=torch_dtype,
    low_cpu_mem_usage=True,
)
assistant_model.to(device)

# 初始化流水线
pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    feature_extractor=processor.feature_extractor,
    tokenizer=processor.tokenizer,
    torch_dtype=torch_dtype,
    device=device,
    generate_kwargs={"assistant_model": assistant_model},
    max_new_tokens=128,
)

# 示例音频
dataset = load_dataset("bofenghuang/asr-dummy", "fr", split="test")
sample = dataset[0]["audio"]

# 运行流水线
result = pipe(sample)
print(result["text"])

OpenAI Whisper

你也可以使用OpenAI在其原始论文中描述的滑动窗口和温度回退的顺序长文本解码算法。

首先，安装openai-whisper包：

pip install -U openai-whisper

然后，下载转换后的模型：

python -c "from huggingface_hub import hf_hub_download; hf_hub_download(repo_id='bofenghuang/whisper-large-v3-french-distil-dec8', filename='original_model.pt', local_dir='./models/whisper-large-v3-french-distil-dec8')"

现在，你可以按照仓库提供的使用说明转录音频文件：

import whisper
from datasets import load_dataset

# 加载模型
model = whisper.load_model("./models/whisper-large-v3-french-distil-dec8/original_model.pt")

# 示例音频
dataset = load_dataset("bofenghuang/asr-dummy", "fr", split="test")
sample = dataset[0]["audio"]["array"].astype("float32")

# 转录
result = model.transcribe(sample, language="fr")
print(result["text"])

Faster Whisper

Faster Whisper是OpenAI Whisper模型和顺序长文本解码算法在CTranslate2格式中的重新实现。

与openai-whisper相比，它提供高达4倍的推理速度，同时消耗更少内存。此外，模型可以量化为int8，进一步提高了在CPU和GPU上的效率。

首先，安装faster-whisper包：

pip install faster-whisper

然后，下载转换为CTranslate2格式的模型：

python -c "from huggingface_hub import snapshot_download; snapshot_download(repo_id='bofenghuang/whisper-large-v3-french-distil-dec8', local_dir='./models/whisper-large-v3-french-distil-dec8', allow_patterns='ctranslate2/*')"

现在，你可以按照仓库提供的使用说明转录音频文件：

from datasets import load_dataset
from faster_whisper import WhisperModel

# 加载模型
model = WhisperModel("./models/whisper-large-v3-french-distil-dec8/ctranslate2", device="cuda", compute_type="float16")  # 在GPU上使用FP16运行

# 示例音频
dataset = load_dataset("bofenghuang/asr-dummy", "fr", split="test")
sample = dataset[0]["audio"]["array"].astype("float32")

segments, info = model.transcribe(sample, beam_size=5, language="fr")

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

Whisper.cpp

Whisper.cpp是OpenAI Whisper模型在纯C/C++中的重新实现，没有任何依赖。它兼容各种后端和平台。

此外，模型可以量化为4位或5位整数，进一步提高其效率。

首先，克隆并构建whisper.cpp仓库：

git clone https://github.com/ggerganov/whisper.cpp.git
cd whisper.cpp

# 构建主示例
make

接下来，从Hugging Face Hub下载转换后的ggml权重：

# 下载使用Q5_0方法量化的模型
python -c "from huggingface_hub import hf_hub_download; hf_hub_download(repo_id='bofenghuang/whisper-large-v3-french-distil-dec8', filename='ggml-model-q5_0.bin', local_dir='./models/whisper-large-v3-french-distil-dec8')"

现在，你可以使用以下命令转录音频文件：

./main -m ./models/whisper-large-v3-french-distil-dec8/ggml-model-q5_0.bin -l fr -f /path/to/audio/file --print-colors

Candle

Candle-whisper是OpenAI Whisper模型在candle格式中的重新实现 - 一个用Rust构建的轻量级ML框架。

首先，克隆candle仓库：

git clone https://github.com/huggingface/candle.git
cd candle/candle-examples/examples/whisper

使用以下命令转录音频文件：

cargo run --example whisper --release -- --model large-v3 --model-id bofenghuang/whisper-large-v3-french-distil-dec8 --language fr --input /path/to/audio/file

要使用CUDA，在示例命令行中添加--features cuda：

cargo run --example whisper --release --features cuda -- --model large-v3 --model-id bofenghuang/whisper-large-v3-french-distil-dec8 --language fr --input /path/to/audio/file

MLX

MLX-Whisper是OpenAI Whisper模型在MLX格式中的重新实现 - 一个在Apple芯片上的ML框架。它支持惰性计算、统一内存管理等特性。

首先，克隆MLX Examples仓库：

git clone https://github.com/ml-explore/mlx-examples.git
cd mlx-examples/whisper

接下来，安装依赖：

pip install -r requirements.txt

下载原始OpenAI格式的pytorch检查点并转换为MLX格式（由于仓库已经很大且转换非常快，我们这里没有包含转换后的版本）：

# 下载
python -c "from huggingface_hub import hf_hub_download; hf_hub_download(repo_id='bofenghuang/whisper-large-v3-french-distil-dec8', filename='original_model.pt', local_dir='./models/whisper-large-v3-french-distil-dec8')"
# 转换为.npz
python convert.py --torch-name-or-path ./models/whisper-large-v3-french-distil-dec8/original_model.pt --mlx-path ./mlx_models/whisper-large-v3-french-distil-dec8

现在，你可以使用以下代码转录音频：

import whisper

result = whisper.transcribe("/path/to/audio/file", path_or_hf_repo="mlx_models/whisper-large-v3-french-distil-dec8", language="fr")
print(result["text"])

训练细节

我们收集了一个由超过2,500小时法语语音识别数据组成的复合数据集，包括Common Voice 13.0、Multilingual LibriSpeech、Voxpopuli、Fleurs、Multilingual TEDx、MediaSpeech、African Accented French等数据集。

由于一些数据集如MLS只提供没有大小写或标点的文本，我们使用了定制版的🤗 Speechbox，利用bofenghuang/whisper-large-v2-cv11-french模型从有限的符号集中恢复大小写和标点。

然而，即使在