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
• unsloth 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 管道标签: 自动语音识别 许可证: apache-2.0 基础模型:
• openai/whisper-large-v3

查看我们的合集获取所有TTS模型上传。

学习微调TTS模型 - 阅读我们的指南。

Unsloth Dynamic 2.0实现卓越准确率，超越其他领先量化方法。

‚ú® 使用Unsloth运行和微调TTS模型！

• 使用我们的Google Colab笔记本免费微调TTS模型！
• 阅读我们关于TTS支持的博客：unsloth.ai/blog/tts

Whisper

Whisper是用于自动语音识别（ASR）和语音翻译的最先进模型，由OpenAI的Alec Radford等人在论文通过大规模弱监督实现稳健语音识别中提出。在超过500万小时的标注数据上训练后，Whisper在零样本设置下展示了对许多数据集和领域的强大泛化能力。

Whisper large-v3与之前的large和large-v2模型架构相同，只有以下微小差异：

1. 频谱图输入使用128个梅尔频率箱而不是80个
2. 新增了粤语的语言标记

Whisper large-v3模型在100万小时的弱标注音频和400万小时使用Whisper large-v2收集的伪标注音频上训练。模型在这个混合数据集上训练了2.0个周期。

large-v3模型在多种语言上表现出改进的性能，与Whisper large-v2相比，错误率降低了10%到20%。有关可用检查点的更多详细信息，请参阅模型详情部分。

免责声明：本模型卡的内容部分由ü§ó Hugging Face团队编写，部分复制粘贴自原始模型卡。

使用方法

Whisper large-v3在Hugging Face ü§ó Transformers中受支持。要运行模型，首先安装Transformers库。在此示例中，我们还将安装ü§ó Datasets以从Hugging Face Hub加载玩具音频数据集，并安装ü§ó Accelerate以减少模型加载时间：

pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate

该模型可以与pipeline类一起使用，以转录任意长度的音频：

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"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=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,
    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"])

要转录本地音频文件，只需在调用管道时传递音频文件的路径：

result = pipe("audio.mp3")

可以通过指定音频文件列表并设置batch_size参数来并行转录多个音频文件：

result = pipe(["audio_1.mp3", "audio_2.mp3"], batch_size=2)

Transformers与所有Whisper解码策略兼容，例如温度回退和基于先前令牌的条件。以下示例演示如何启用这些启发式方法：

generate_kwargs = {
    "max_new_tokens": 448,
    "num_beams": 1,
    "condition_on_prev_tokens": False,
    "compression_ratio_threshold": 1.35,  # zlib压缩比率阈值（在令牌空间中）
    "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,
}

result = pipe(sample, generate_kwargs=generate_kwargs)

Whisper自动预测源音频的语言。如果已知源音频语言，可以将其作为参数传递给管道：

result = pipe(sample, generate_kwargs={"language": "english"})

默认情况下，Whisper执行语音转录任务，其中源音频语言与目标文本语言相同。要执行语音翻译，其中目标文本为英语，将任务设置为"translate"：

result = pipe(sample, generate_kwargs={"task": "translate"})

最后，可以让模型预测时间戳。对于句子级时间戳，传递return_timestamps参数：

result = pipe(sample, return_timestamps=True)
print(result["chunks"])

对于单词级时间戳：

result = pipe(sample, return_timestamps="word")
print(result["chunks"])

上述参数可以单独使用或组合使用。例如，要执行语音转录任务，其中源音频为法语，并且我们希望返回句子级时间戳，可以使用以下方法：

result = pipe(sample, return_timestamps=True, generate_kwargs={"language": "french", "task": "translate"})
print(result["chunks"])

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor
from datasets import Audio, 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"

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压缩比率阈值（在令牌空间中）
    "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)

额外的速度和内存改进

您可以对Whisper应用额外的速度和内存改进，以进一步降低推理速度和VRAM需求。

分块长格式

Whisper的感知域为30秒。要转录超过此长度的音频，需要以下两种长格式算法之一：

1. 顺序：使用“滑动窗口”进行缓冲推理，逐个转录30秒的片段
2. 分块：将长音频文件分割成较短的片段（片段之间有少量重叠），独立转录每个片段，并在边界处拼接生成的转录

在以下任一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，速度次之
2. 您正在转录批量长音频文件，此时顺序的延迟与分块相当，同时准确率高出0.5% WER

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. 您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，将chunk_length_s参数传递给pipeline。对于large-v3，30秒的块长度是最佳的。要在长音频文件上激活批处理，传递参数batch_size：

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"

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,  # 推理的批处理大小 - 根据您的设备设置
    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的前向传递与torch.compile兼容，可实现4.5倍的速度提升。

注意：torch.compile目前与分块长格式算法或Flash Attention 2 ‚ö†Ô∏è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"

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递
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个预热步骤
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

如果您的GPU支持并且您不使用torch.compile，我们建议使用Flash-Attention 2。为此，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 Scale-Product-Attention (SDPA)

如果您的GPU不支持Flash Attention，我们建议利用PyTorch缩放点积注意力（SDPA）。此注意力实现默认在PyTorch 2.1.1或更高版本中激活。要检查您是否安装了兼容的PyTorch版本，运行以下Python代码片段：

from transformers.utils import is_torch_sdpa_available

print(is_torch_sdpa_available())

如果上述返回True，您安装了有效的PyTorch版本，并且SDPA默认激活。如果返回False，您需要根据官方说明升级PyTorch版本

安装有效的PyTorch版本后，SDPA默认激活。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。

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。Whisper模型有两种风格：仅英语和多语言。仅英语模型在英语语音识别任务上训练。多语言模型同时在多语言语音识别和语音翻译任务上训练。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。最小的四种可作为仅英语和多语言使用。最大的检查点仅作为多语言提供。所有十个预训练检查点都可在Hugging Face Hub上获得。检查点在以下表格中总结，并附有Hub上模型的链接：

微调

预训练的Whisper模型展示了对不同数据集和领域的强大泛化能力。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ü§ó Transformers微调Whisper提供了逐步指南，只需5小时的标注数据即可微调Whisper模型。

评估用途

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相当有用。我们认识到，一旦模型发布，就不可能限制访问仅“预期”用途或围绕什么是或不是研究制定合理的指导方针。

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日志，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部署模型之前进行稳健评估。

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，或声称使用这些模型进行任何类型的主观分类。我们建议不要在高风险领域（如决策上下文）中使用，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

large-v3检查点在100万小时的弱标注音频和400万小时使用Whisper large-v2收集的伪标注音频上训练。

如随附论文中讨论的，我们看到给定语言的转录性能与我们使用的该语言训练数据量直接相关。

性能和限制

我们的研究表明，与许多现有的ASR系统相比，这些模型表现出对口音、背景噪声、技术语言的改进鲁棒性，以及从多种语言到英语的零样本翻译；并且语音识别和翻译的准确性接近最先进水平。

然而，由于模型是在大规模噪声数据上以弱监督方式训练的，预测可能包括音频输入中未实际说出的文本（即幻觉）。我们假设这是因为，鉴于它们对语言的一般知识，模型结合了尝试预测音频中的下一个单词和尝试转录音频本身。

我们的模型在不同语言上表现不均，我们观察到在低资源和/或低发现性语言或我们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不同的性能，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更高单词错误率。我们在随此版本发布的论文中提供了完整的评估结果。

此外，模型的序列到序列架构使其容易生成重复文本，可以通过束搜索和温度调度在一定程度上缓解，但并非完美。论文中提供了对这些限制的进一步分析。在低资源和/或低发现性语言上，这种行为