Whisper

Whisper是一个用于自动语音识别（ASR）和语音翻译的预训练模型。经过680k小时标记数据的训练，Whisper模型展示了在许多数据集和领域中泛化的强大能力，无需进行微调。

Whisper是由OpenAI的Alec Radford等人在论文 Robust Speech Recognition via Large-Scale Weak Supervision 中提出的。源代码存储库可以在 here 找到。

免责声明：本模型卡片的内容部分由Hugging Face团队编写，部分内容是从原始模型卡片中复制粘贴而来。

模型详情

Whisper是基于Transformer的编码器-解码器模型，也称为序列到序列模型。它是使用大规模弱监督标注的680k小时标记语音数据进行训练的。

这些模型分为五种不同模型大小的配置。最小的四种模型是在仅英语数据或多语言数据上训练的。最大的模型只针对多语言进行训练。所有这十个预训练模型都可以在 Hugging Face Hub 上找到。模型的摘要如下表所示，其中包含指向Hub上模型的链接：

用法

为了转录音频样本，该模型必须与 WhisperProcessor 一起使用。

WhisperProcessor用于：

通过传递相应的“上下文标记”，告知模型执行哪种任务（转录或翻译）。这些上下文标记是一个序列，从解码器在解码过程的开始处传递给它，并按照以下顺序进行：

因此，典型的上下文标记序列可能如下所示：

<|startoftranscript|> <|en|> <|transcribe|> <|notimestamps|>

这告诉模型在英语中进行解码，任务是语音识别，并且不预测时间戳。

这些标记可以强制或不强制。如果它们被强制执行，模型将被要求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。如果它们未强制执行，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")

这将强制模型在任务为语音识别的情况下预测英语。

转录

英语到英语

在这个示例中，上下文标记是“未强制的”，这意味着模型会自动预测输出语言（英语）和任务（转录）。

>>> from transformers import WhisperProcessor, WhisperForConditionalGeneration
>>> from datasets import load_dataset

>>> # load model and processor
>>> processor = WhisperProcessor.from_pretrained("openai/whisper-base")
>>> model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-base")
>>> model.config.forced_decoder_ids = None

>>> # load dummy dataset and read audio files
>>> 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 

>>> # generate token ids
>>> predicted_ids = model.generate(input_features)
>>> # decode token ids to text
>>> 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来从转录的开头移除上下文标记。

法语到法语

以下示例演示了如何通过适当设置解码器id来进行法语到法语的转录。

>>> from transformers import WhisperProcessor, WhisperForConditionalGeneration
>>> from datasets import Audio, load_dataset

>>> # load model and processor
>>> processor = WhisperProcessor.from_pretrained("openai/whisper-base")
>>> model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-base")
>>> forced_decoder_ids = processor.get_decoder_prompt_ids(language="french", task="transcribe")

>>> # load streaming dataset and read first audio sample
>>> 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

>>> # generate token ids
>>> predicted_ids = model.generate(input_features, forced_decoder_ids=forced_decoder_ids)
>>> # decode token ids to text
>>> 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”会强制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

>>> # load model and processor
>>> processor = WhisperProcessor.from_pretrained("openai/whisper-base")
>>> model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-base")
>>> forced_decoder_ids = processor.get_decoder_prompt_ids(language="french", task="translate")

>>> # load streaming dataset and read first audio sample
>>> 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

>>> # generate token ids
>>> predicted_ids = model.generate(input_features, forced_decoder_ids=forced_decoder_ids)
>>> # decode token ids to text
>>> transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)
[' A very interesting work, we will finally be given on this subject.']

评估

下面的代码片段展示了如何评估Whisper Base：

>>> 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-base")
>>> model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-base").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"]))
5.082316555716899

长文本转录

Whisper模型本质上设计用于处理最长30秒的音频样本。然而，通过使用分块算法，可以将其用于转录任意长度的音频样本。在实例化流程时，通过设置chunk_length_s=30来启用分块。启用分块后，可以进行批量推理。还可以通过传递return_timestamps=True来扩展到预测序列级时间戳：

>>> 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-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"]
" Mr. Quilter is the apostle of the middle classes, and we are glad to welcome his gospel."

>>> # we can also return timestamps for the predictions
>>> 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，请参阅博文 ASR Chunking 。

微调

预训练的Whisper模型展示了适应不同数据集和领域的强大能力。然而，通过使用仅有5小时有标签数据的微调，可以进一步改善其预测能力，特别是对于某些语言和任务。博文 Fine-Tune Whisper with ? Transformers 提供了关于如何微调Whisper模型的逐步指南。

评估使用

这些模型的主要使用者是研究当前模型的鲁棒性、泛化能力、能力、偏见和约束的人工智能研究人员。然而，Whisper作为一个ASR解决方案也对开发者非常有用，特别是对于英语语音识别。我们认识到，一旦模型发布，就不可能局限于“预期”的使用，或者在什么是研究和什么不是研究方面制定合理的准则。

这些模型的训练和评估主要针对英语任务的ASR和语音翻译。它们在大约10种语言的语音识别方面表现出良好的结果。它们可能具有其他能力，特别是如果在特定任务（如声活动检测、说话人分类或说话人日程安排）上进行微调，但在这些领域尚未进行过全面评估。我们强烈建议用户在特定的上下文和领域中对模型进行全面评估后再部署使用。

特别是，我们警告不要使用Whisper模型转录未经其同意或冒用这些模型进行任何主观分类的录音。我们建议不要在决策环境等高风险领域使用这些模型，因为准确性的缺陷可能导致显著的缺陷。这些模型旨在转录和翻译语音，使用这些模型进行分类不仅未经评估，而且也是不合适的，尤其是用于推断人类属性。

培训数据

模型使用来自互联网的680,000小时音频和相应的转录进行训练。其中65%的数据（或438,000小时）表示英语语音和匹配的英语转录，约占18%的数据（或126,000小时）表示非英语语音和英语转录，最后的17%的数据（或117,000小时）则表示非英语语音和相应的转录。这些非英语数据代表98种不同的语言。

如 the accompanying paper 中所讨论的，我们注意到在给定语言的转录上的性能与我们在该语言中使用的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ASR系统相比，这些模型在口音、背景噪音、技术术语以及多语言翻译到英语方面表现出更强的鲁棒性，而且在语音识别和翻译方面的准确性接近最先进水平。

然而，由于模型是使用大规模噪声数据以弱监督的方式进行训练的，预测结果可能包含实际上在音频输入中没有被说出的文本（即幻觉）。我们假设这是因为，考虑到它们对语言的一般了解，模型将尝试同时预测音频中下一个词和将音频转录下来。

我们的模型在不同语言上的表现不均衡，对低资源和/或低可发现性语言或我们拥有较少训练数据的语言的准确性较低。这些模型在特定语言的不同口音和方言上的性能也存在差异，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之间的较高词错误率。我们的完整评估结果在 the paper accompanying this release 中介绍。

此外，模型的序列到序列架构使其容易生成重复的文本，这可以通过束搜索和温度调度在一定程度上缓解，但并不完全。有关这些限制的进一步分析，请参阅 the paper 。这种行为和幻觉在资源较低和/或可发现性较低的语言上可能更严重。

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功能工具。虽然Whisper模型不能直接用于实时转录，但其速度和规模表明他人可能能够在其之上构建应用程序，实现近实时的语音识别和翻译。建立在Whisper模型之上的有益应用的真正价值表明，这些模型的不同性能可能具有实际的经济影响。

Whisper发布还带来了潜在的双重用途关注。虽然我们希望这项技术主要用于有益的目的，但使ASR技术更易于获得可能会使更多的参与者能够构建出色的监视技术或扩大现有的监视工作，因为速度和准确性可以实现大规模音频通信的经济实惠的自动转录和翻译。此外，这些模型可以直接识别特定个体，从而引发与双重用途和不同性能相关的安全问题。实际上，我们认为转录成本不是扩大监视项目的限制因素。

BibTeX条目和引文信息

@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}
}