Whisper 语音识别模型

Whisper 语音识别模型

Whisper 是一种通用的语音识别模型。它是在包含各种音频的大型数据集上训练的，也是一个可以执行多语言语音识别、语音翻译和语言识别的多任务模型。

开源项目地址：https://github.com/openai/whisper

Whisper 语音识别模型
Transformer 序列到序列模型针对各种语音处理任务进行训练，包括多语言语音识别、语音翻译、口语识别和语音活动检测。这些任务共同表示为由解码器预测的一系列标记，允许单个模型取代传统语音处理管道的多个阶段。多任务训练格式使用一组特殊标记作为任务说明符或分类目标。

设置
我们使用 Python 3.9.9 和PyTorch 1.10.1 来训练和测试我们的模型，但代码库预计将与 Python 3.8-3.11 和最新的 PyTorch 版本兼容。该代码库还依赖于一些 Python 包，最著名的是OpenAI 的 tiktoken，用于实现快速分词器。您可以使用以下命令下载并安装（或更新到）最新版本的 Whisper：

pip install -U openai-whisper

或者，以下命令将从该存储库中拉取并安装最新的提交及其 Python 依赖项：

pip install git+https://github.com/openai/whisper.git

要将软件包更新到此存储库的最新版本，请运行：

pip install --upgrade --no-deps --force-reinstall git+https://github.com/openai/whisper.git

ffmpeg它还需要在您的系统上安装命令行工具，大多数包管理器都提供该工具：

on Ubuntu or Debiansudo apt update && sudo apt install ffmpeg# on Arch Linuxsudo pacman -S ffmpeg# on MacOS using Homebrew (https://brew.sh/)brew install ffmpeg# on Windows using Chocolatey (https://chocolatey.org/)choco install ffmpeg# on Windows using Scoop (https://scoop.sh/)scoop install ffmpeg

您可能rust还需要安装，以防tiktoken不为您的平台提供预构建的轮子。如果您在上述命令中看到安装错误pip install，请按照入门页面安装 Rust 开发环境。此外，您可能需要配置PATH环境变量，例如export PATH=“$HOME/.cargo/bin:$PATH”. 如果安装失败No module named ‘setuptools_rust’，则需要安装setuptools_rust，例如通过运行：

pip install setuptools-rust

可用型号和语言
.en仅英语应用程序的模型往往表现更好，尤其是对于和tiny.en模型base.en。small.en我们观察到，对于和模型，差异变得不那么显着medium.en。

Whisper 的性能因语言而异。下图显示了使用该模型的 Fleurs 数据集按语言的 WER（单词错误率）细分large-v2（数字越小，性能越好）。与其他模型和数据集相对应的其他 WER 分数可以在附录 D.1、D.2 和 D.4 中找到。同时，更多的 BLEU（双语评估替补）分数可以在附录 D.3 中找到。两者都在论文中找到。

命令行用法
以下命令将使用medium模型转录音频文件中的语音：

whisper audio.flac audio.mp3 audio.wav --model medium

默认设置（选择模型small）适用于转录英语。要转录包含非英语语音的音频文件，您可以使用以下选项指定语言–language：

whisper japanese.wav --language Japanese

添加–task translate会将语音翻译成英文：

whisper japanese.wav --language Japanese --task translate

运行以下命令以查看所有可用选项：

whisper --help

有关所有可用语言的列表，请参见tokenizer.py 。

Python 用法
转录也可以在 Python 中执行：

import whispermodel = whisper.load_model(“base”)result = model.transcribe(“audio.mp3”)print(result[“text”])

在内部，该transcribe()方法读取整个文件并使用滑动的 30 秒窗口处理音频，对每个窗口执行自回归序列到序列预测。

whisper.detect_language()下面是和的示例用法whisper.decode()，它提供对模型的较低级别访问。

import whispermodel = whisper.load_model(“base”)# load audio and pad/trim it to fit 30 secondsaudio = whisper.load_audio(“audio.mp3”)audio = whisper.pad_or_trim(audio)# make log-Mel spectrogram and move to the same device as the modelmel = whisper.log_mel_spectrogram(audio).to(model.device)# detect the spoken language_, probs = model.detect_language(mel)print(f"Detected language: {max(probs, key=probs.get)}")# decode the audiooptions = whisper.DecodingOptions()result = whisper.decode(model, mel, options)# print the recognized textprint(result.text)