一、引言
pipeline（管道）是huggingface transformers库中一种极简方式使用大模型推理的抽象，将所有大模型分为音频（Audio）、计算机视觉（Computer vision）、自然语言处理（NLP）、多模态（Multimodal）等4大类，28小类任务（tasks），共计覆盖32万个模型。
今天介绍Audio音频的第二篇，自动语音识别（automatic-speech-recognition），在huggingface库内共有1.8万个音频分类模型。
二、自动语音识别（automatic-speech-recognition）
2.1 概述
自动语音识别 (ASR)，也称为语音转文本 (STT)，是将给定音频转录为文本的任务。主要应用场景有人机对话、语音转文本、歌词识别、字幕生成等。
2.2 技术原理
自动语音识别主要原理是音频切分成25ms-60ms的音谱后，采用卷机网络抽取音频特征，再通过transformer等网络结构与文本进行对齐训练。比较知名的自动语音识别当属openai的whisper和meta的Wav2vec 2.0。
2.2.1 whisper模型
语音部分：基于680000小时音频数据进行训练，包含英文、其他语言转英文、非英文等多种语言。将音频数据转换成梅尔频谱图，再经过两个卷积层后送入 Transformer 模型。
文本部分：文本token包含3类：special tokens（标记tokens）、text tokens（文本tokens）、timestamp tokens（时间戳），基于标记tokens控制文本的开始和结束，基于timestamp tokens让语音时间与文本对其。
不同尺寸模型参数量、多语言支持情况、需要现存大小以及推理速度如下
2.2.2 Wav2vec 2.0模型
Wav2vec 2.0是 Meta在2020年发表的无监督语音预训练模型。它的核心思想是通过向量量化（Vector Quantization，VQ）构造自建监督训练目标，对输入做大量掩码后利用对比学习损失函数进行训练。模型结构如图，基于卷积网络（Convoluational Neural Network，CNN）的特征提取器将原始音频编码为帧特征序列，通过 VQ 模块把每帧特征转变为离散特征 Q，并作为自监督目标。同时，帧特征序列做掩码操作后进入 Transformer [5] 模型得到上下文表示 C。最后通过对比学习损失函数，拉近掩码位置的上下文表示与对应的离散特征 q 的距离，即正样本对。
2.3 pipeline参数
2.3.1 pipeline对象实例化参数
- 模型（PreTrainedModel或TFPreTrainedModel）— 管道将使用其进行预测的模型。 对于 PyTorch，这需要从PreTrainedModel继承；对于 TensorFlow，这需要从TFPreTrainedModel继承。
- feature_extractor（SequenceFeatureExtractor）——管道将使用其来为模型编码波形的特征提取器。
- tokenizer ( PreTrainedTokenizer ) — 管道将使用 tokenizer 来为模型编码数据。此对象继承自 PreTrainedTokenizer。
- 解码器（
pyctcdecode.BeamSearchDecoderCTC，可选）— PyCTCDecode 的 BeamSearchDecoderCTC 可以传递用于语言模型增强解码。有关更多信息，请参阅Wav2Vec2ProcessorWithLM 。- chunk_length_s (
float，可选，默认为 0) — 每个块的输入长度。如果chunk_length_s = 0禁用分块（默认）。- stride_length_s (
float，可选，默认为chunk_length_s / 6) — 每个块左侧和右侧的步幅长度。仅与 一起使用chunk_length_s > 0。这使模型能够看到更多上下文并比没有此上下文时更好地推断字母，但管道会在最后丢弃步幅位，以使最终的重构尽可能完美。- 框架（
str，可选）— 要使用的框架，"pt"适用于 PyTorch 或"tf"TensorFlow。必须安装指定的框架。如果未指定框架，则默认为当前安装的框架。如果未指定框架且两个框架都已安装，则默认为 的框架model，如果未提供模型，则默认为 PyTorch 的框架。- 设备（Union[
int,torch.device]，可选）— CPU/GPU 支持的设备序号。设置为None将利用 CPU，设置为正数将在关联的 CUDA 设备 ID 上运行模型。- torch_dtype (Union[
int,torch.dtype],可选) — 计算的数据类型 (dtype)。将其设置为None将使用 float32 精度。设置为torch.float16或torch.bfloat16将在相应的 dtype 中使用半精度。
2.3.2 pipeline对象使用参数
- 输入（
np.ndarray或bytes或str或dict） — 输入可以是：
str即本地音频文件的文件名，或下载音频文件的公共 URL 地址。文件将以正确的采样率读取，以使用 ffmpeg获取波形。这需要系统上安装ffmpeg 。bytes它应该是音频文件的内容，并以相同的方式由ffmpeg进行解释。- （
np.ndarray形状为（n，）类型为np.float32或np.float64）正确采样率的原始音频（不再进行进一步检查）dict形式可用于传递任意采样的原始音频sampling_rate，并让此管道进行重新采样。字典必须采用{"sampling_rate": int, "raw": np.array}可选格式"stride": (left: int, right: int)，可以要求管道在解码时忽略第一个left样本和最后一个right样本（但在推理时使用，为模型提供更多上下文）。仅用于strideCTC 模型。
- return_timestamps（可选，
str或bool）— 仅适用于纯 CTC 模型（Wav2Vec2、HuBERT 等）和 Whisper 模型。不适用于其他序列到序列模型。对于 CTC 模型，时间戳可以采用以下两种格式之一：
"char"：管道将返回文本中每个字符的时间戳。例如，如果您得到[{"text": "h", "timestamp": (0.5, 0.6)}, {"text": "i", "timestamp": (0.7, 0.9)}]，则意味着模型预测字母“h”是在 秒后0.5和0.6秒之前说出的。"word"：管道将返回文本中每个单词的时间戳。例如，如果您得到[{"text": "hi ", "timestamp": (0.5, 0.9)}, {"text": "there", "timestamp": (1.0, 1.5)}]，则意味着模型预测单词“hi”是在 秒后0.5和0.9秒之前说的。
- 对于 Whisper 模型，时间戳可以采用以下两种格式之一：
"word"：与上文相同，适用于字级 CTC 时间戳。字级时间戳通过动态时间规整 (DTW)算法进行预测，该算法通过检查交叉注意权重来近似字级时间戳。True：管道将返回文本中单词片段的时间戳。例如，如果您得到[{"text": " Hi there!", "timestamp": (0.5, 1.5)}]，则意味着模型预测“Hi there!” 片段是在 秒后0.5和1.5秒之前说的。请注意，文本片段指的是一个或多个单词的序列，而不是像单词级时间戳那样的单个单词。
- generate_kwargs（
dict，可选generate_config）—用于生成调用的临时参数化字典。有关 generate 的完整概述，请查看以下指南。- max_new_tokens（
int，可选）— 要生成的最大令牌数，忽略提示中的令牌数。
2.3.3 pipeline对象返回参数
- 文本（
str）：识别的文本。- chunks（可选（，
List[Dict]）当使用时return_timestamps，chunks将成为一个列表，包含模型识别的所有各种文本块，例如*[{"text": "hi ", "timestamp": (0.5, 0.9)}, {"text": "there", "timestamp": (1.0, 1.5)}]。通过执行可以粗略地恢复原始全文"".join(chunk["text"] for chunk in output["chunks"])。
2.4 pipeline实战
2.4.1 facebook/wav2vec2-base-960h（默认模型）
pipeline对于automatic-speech-recognition的默认模型是facebook/wav2vec2-base-960h，使用pipeline时，如果仅设置task=automatic-speech-recognition，不设置模型，则下载并使用默认模型。
import os os.environ["HF_ENDPOINT"] = "https://hf-mirror.com" os.environ["CUDA_VISIBLE_DEVICES"] = "2" from transformers import pipeline speech_file = "./output_video_enhanced.mp3" pipe = pipeline(task="automatic-speech-recognition") result = pipe(speech_file) print(result)
可以将.mp3内的音频转为文本：
{'text': "WELL TO DAY'S STORY MEETING IS OFFICIALLY STARTED SOMEONE SAID THAT YOU HAVE BEEN TELLING STORIES FOR TWO OR THREE YEARS FOR SUCH A LONG TIME AND YOU STILL HAVE A STORY MEETING TO TELL"}
2.4.2 openai/whisper-medium
我们指定模型openai/whisper-medium，具体代码为：
import os os.environ["HF_ENDPOINT"] = "https://hf-mirror.com" os.environ["CUDA_VISIBLE_DEVICES"] = "2" from transformers import pipeline speech_file = "./output_video_enhanced.mp3" pipe = pipeline(task="automatic-speech-recognition", model="openai/whisper-medium") result = pipe(speech_file) print(result)
输入为一段mp3格式的语音，输出为
{'text': " Well, today's story meeting is officially started. Someone said that you have been telling stories for two or three years for such a long time, and you still have a story meeting to tell."}
2.5 模型排名
在huggingface上，我们筛选自动语音识别模型，并按下载量从高到低排序：
三、总结
本文对transformers之pipeline的自动语音识别（automatic-speech-recognition）从概述、技术原理、pipeline参数、pipeline实战、模型排名等方面进行介绍，读者可以基于pipeline使用文中的代码极简的进行自动语音识别推理，应用于语音识别、字幕提取等业务场景。
