【AIGC】OpenAI 宣布推出Whisper large-v3-turbo 语音转录模型 速度提高了8倍

OpenAI 宣布推出了一个名为 large-v3-turbo（简称 turbo）的新 Whisper 模型。这是 Whisper large-v3 的优化版本，将解码器层数从大型模型的 32 层减少到与 tiny 模型相同的 4 层。此优化版本的开发受到了 Distil-Whisper 的启发，后者表明使用较小的解码器可以显著提升转录速度，同时对准确性的影响较小。

速度比 large-v3 快 8 倍，但质量几乎没有下降！

Whisper large-v3-turbo 主要功能和特点：

1. 更少的解码器层数：
   • 与 Whisper large-v3 相比，large-v3-turbo 只使用了 4 个解码器层，而 large-v3 使用了 32 个解码器层。较少的解码器层数使得模型在保持相对高准确度的同时，显著提高了处理速度。
2. 优化的速度表现：
   • Turbo 模型的语音转录速度比 tiny 模型更快，是 Whisper 系列模型中速度与准确性兼顾的“最佳选择”。通过使用更小的解码器层数，该模型提升了实时转录的能力。
   • 通过减少解码层数和启用 torch.compile，推理速度可提升高达 4.5 倍，进一步提高了模型的效率，非常适合需要低延迟的应用场景。
3. 多语言支持：
   • 支持 99 种语言的语音转录，表现出色，并且与大型数据集兼容，包括 FLEURS 和 Common Voice 数据集，尤其在高质量录音上效果更佳。
4. 跨语言的高效表现：
   • Turbo 模型的跨语言转录表现与 large-v2 相当，但在一些语言（如泰语和粤语）上表现较弱。在一些录音质量较高的数据集（如 FLEURS）上，turbo 模型的表现优于 Common Voice 数据集。
5. 更快的自动语音识别 (ASR)：
   • 结合最新的技术补丁（#2359），turbo 模型在使用 F.scaled_dot_product_attention（缩放点积注意力机制）时，能进一步提升自动语音识别的速度。
6. 专注于转录任务：
   • Turbo 模型专为多语言转录任务微调，不适合翻译任务，因为训练时不包含翻译数据。它在纯语音转录方面的表现更为优异，但翻译任务表现较差。
7. 使用与集成方便：
   • 开发者可以通过简单的 Python 包更新或 Whisper 的命令行工具默认使用 turbo 模型，使得其在实际应用中更易于集成。