Whisper-timestamped: 提供精确单词级时间戳的多语言自动语音识别工具

Whisper-timestamped:为语音识别添加精确时间戳

Whisper-timestamped是一个基于OpenAI Whisper模型开发的强大语音识别工具。它不仅继承了Whisper的多语言识别能力,还增加了词级别的精确时间戳和置信度信息,大大提高了语音识别结果的实用性。

主要特点

精确的单词级时间戳:Whisper-timestamped能够为识别出的每个单词提供精确的开始和结束时间,这对于字幕生成、音频搜索等应用至关重要。
置信度评分:每个识别出的单词和语音片段都会被赋予一个置信度评分,帮助用户判断识别结果的可靠性。
多语言支持:继承了Whisper模型的多语言能力,支持大量语言的语音识别。
语音活动检测(VAD):集成了多种VAD方法,可以在应用Whisper模型之前进行语音活动检测,提高识别准确性。
内存效率:经过优化,即使处理长音频文件也只需要少量额外内存。
易于使用:提供了Python API和命令行接口,方便集成到各种应用中。

工作原理

Whisper-timestamped主要基于动态时间规整(DTW)算法,对Whisper模型的交叉注意力权重进行分析,从而得到更精确的时间戳信息。这种方法相比使用额外的语音识别模型更加高效和灵活。

上图展示了Whisper-timestamped如何通过分析交叉注意力权重来确定单词的时间边界。

使用方法

Whisper-timestamped提供了简单易用的Python API:

import whisper_timestamped as whisper

audio = whisper.load_audio("audio.wav")
model = whisper.load_model("tiny", device="cpu")
result = whisper.transcribe(model, audio, language="en")

print(result)

也可以通过命令行使用:

whisper_timestamped audio.wav --model tiny --language en

高级功能

语音活动检测(VAD):通过设置vad=True参数,可以在识别前进行语音活动检测,避免在静音段产生错误识别。
口吃检测:设置detect_disfluencies=True可以识别出语音中的停顿、重复等口吃现象。
微调模型支持:可以使用来自Hugging Face的微调Whisper模型,进一步提高特定领域的识别准确率。

与其他方法的比较

相比使用额外的语音识别模型(如wav2vec)来获取时间戳,Whisper-timestamped的方法有以下优势:

不需要为每种语言训练单独的模型
内存占用更小
不需要复杂的文本规范化处理
对口吃、重复等现象更加鲁棒

应用场景

Whisper-timestamped可以广泛应用于以下场景:

自动字幕生成
视频内容搜索
会议记录时间轴标注
语音内容分析
语音交互系统

结语

Whisper-timestamped为OpenAI的Whisper模型增加了精确的时间戳功能,大大扩展了其应用范围。无论是开发者还是研究人员,都可以利用这个强大的工具来构建更加智能和实用的语音应用。随着持续的更新和社区贡献,我们可以期待Whisper-timestamped在未来带来更多令人兴奋的功能和改进。