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。通过对680k小时的标注数据进行训练，Whisper模型展示了在许多数据集和领域中无需进行微调即可具有很强的泛化能力。

Whisper在OpenAI的Alec Radford等人的论文中提出。原始代码存储库可以在 here 中找到。

免责声明：本模型卡片的内容部分是由Hugging Face团队撰写的，其中部分内容是从原始模型卡片中复制并粘贴的。

模型细节

Whisper是一种基于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进行注释的680k小时标注语音数据进行训练的。

这些模型是在仅英语数据或多语言数据上训练的。仅英语模型是在语音识别任务上训练的。多语言模型是同时在语音识别和语音翻译任务上进行训练的。对于语音识别，模型预测与音频相同语言的转录内容。对于语音翻译，模型预测与音频不同语言的转录内容。

Whisper检查点有五种不同的模型大小配置。最小的四个是在仅英语或多语言数据上训练的。最大的检查点仅限于多语言。所有十个预训练检查点都可以在 Hugging Face Hub 上找到。下表总结了各个检查点并提供了指向Hub上模型的链接：

用法

该检查点是一个仅英语的模型，可以用于英语语音识别。通过使用多语言检查点，可以进行多语言的语音识别或语音翻译。

要转录音频样本，必须将该模型与 WhisperProcessor 一起使用。

WhisperProcessor用于：

转录

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

>>> # load model and processor
>>> processor = WhisperProcessor.from_pretrained("openai/whisper-medium.en")
>>> model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-medium.en")

>>> # 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|><|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来删除转录内容开头的上下文标记。

评估

以下代码片段显示了如何评估Whisper medium.en在 LibriSpeech test-clean 上的表现：

>>> 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.en")
>>> model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-medium.en").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"]))
3.0154449620004904

长篇转录

Whisper模型本质上设计用于处理长达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。在实例化流水线时，可以通过设置chunk_length_s=30启用分块。启用分块后，可以使用批量推理运行流水线。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-medium.en",
>>>   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模型展示了对不同数据集和领域的良好泛化能力。然而，通过微调可以进一步提高对某些语言和任务的预测能力，仅需使用5小时的标注数据即可。博文 Fine-Tune Whisper with ? Transformers 提供了关于如何逐步微调Whisper模型的指南。

评估使用

这些模型的主要目标用户是研究当前模型的鲁棒性、泛化能力、能力、偏见和约束的AI研究人员。然而，Whisper对于开发人员来说也可能是一个非常有用的ASR解决方案，特别是对于英语语音识别。我们认识到一旦模型发布，就不可能限制仅限于“预期”的使用，或者就什么是或不是研究制定合理的指导方针。

这些模型主要在ASR和语音翻译到英语任务上进行训练和评估。它们在约10种语言的ASR结果表现出较强的能力。它们可能具有其他能力，特别是如果在任务如语音活动检测、说话人分类或说话人分离方面进行微调，但尚未在这些领域进行过强大的评估。我们强烈建议用户在部署这些模型之前，在特定的上下文和领域中进行全面评估。

特别需要注意的是，我们不建议使用Whisper模型来转录未经他们同意的个体的录音，也不建议使用这些模型进行任何形式的主观分类。我们不建议在决策环境等高风险领域使用模型，因为准确性的缺陷可能导致结果的显著缺陷。本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，也不合适，特别是推断人类属性。

训练数据

模型在来自互联网的680,000个小时的音频及其相应的转录上进行训练。其中65%（或438,000小时）是英语音频和匹配的英语转录，大约18%（或126,000小时）是非英语音频和英语转录，最后17%（或117,000小时）是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。

正如 the accompanying paper 中讨论的，我们可以看到在给定语言上的转录表现与我们在该语言上使用的训练数据量直接相关。

性能和限制

我们的研究表明，与许多现有的ASR系统相比，这些模型在口音、背景噪音、技术语言以及多语言翻译方面都表现出更强的鲁棒性，并且在语音识别和翻译上的准确性接近于最先进水平。

然而，由于这些模型是使用大规模的噪声数据进行弱监督训练的，其预测结果可能包含实际上并未在音频输入中发出的文本（即幻觉）。我们推测这是因为模型在尝试预测音频中的下一个单词的同时，结合了尝试转录音频本身的通用语言知识。

我们的模型在不同的语言上表现不一致，我们观察到在低资源和/或低可发现性的语言或具有较少训练数据的语言上的准确性较低。这些模型在特定语言的不同口音和方言上的表现也不一致，可能包括跨不同性别、种族、年龄或其他人口统计标准的说话人的高字错误率。我们的完整评估结果在 the paper accompanying this release 中展示。

此外，模型的序列到序列架构使其容易生成重复的文本，尽管可以通过束搜索和温度调度在一定程度上减轻这种情况，但并非完美。有关这些限制的进一步分析，请参考 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糟。

更广泛的影响

我们预计Whisper模型的转录能力可能会用于改进无障碍工具。虽然Whisper模型不能直接用于实时转录，但它们的速度和大小表明，其他人可能可以在其上构建应用程序，实现接近实时的语音识别和翻译。基于Whisper模型构建的有益应用程序的真正价值暗示这些模型的不同性能可能具有实际的经济影响。

发布Whisper还带来了潜在的双重使用问题。虽然我们希望技术主要用于有益目的，但使ASR技术更易获得可以使更多的参与者构建能力强大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实惠自动转录和翻译。此外，这些模型可能具有一些识别特定个体的能力，这引出了与双重使用和不同性能相关的安全问题。实际上，我们预计转录成本并不是扩大监视项目的限制因素。

BibTeX条目和引用信息

@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}
}