Whisper-Finetune

微调Whisper语音识别模型和加速推理项目介绍

项目简介

Whisper-Finetune项目旨在对OpenAI的Whisper语音识别模型进行微调，从而提升其在不同语言和应用场景下的表现。Whisper模型以其接近人类水平的英语语音辨识能力闻名，且支持98种语言的自动语音识别。通过这个项目，用户可以灵活地对Whisper模型进行微调，适用于无时间戳数据、有时间戳数据以及无语音数据的训练。项目还提供了CTranslate2和GGML的加速推理支持，方便在Windows桌面应用、Android应用以及服务器部署中使用。

支持的模型

常用的Whisper基础模型包括：

• whisper-tiny
• whisper-base
• whisper-small
• whisper-medium
• whisper-large
• whisper-large-v2
• whisper-large-v3

主要功能

1. 微调模型：使用Lora技术对Whisper模型进行微调，以适应特定的数据集和应用需求。
2. 合并模型：将微调后的Lora模型与Whisper基础模型合并，生成最终可用的模型。
3. 模型评估：提供字错率和词错率等评估指标，可以评估微调后的模型或直接使用Whisper原模型。
4. 预测及推理：支持通过命令行方式或GUI界面对音频进行语音识别，并使用多种优化技术加速推理。
5. Web及应用部署：支持将模型部署在Web服务器、Windows桌面以及Android平台中，方便终端用户访问。

项目特点

• 灵活性：可以针对有或无时间戳的数据进行微调。
• 多平台支持：提供Windows桌面应用、Android应用的部署方案，满足不同用户的需求。
• 高效推理：通过CTranslate2和GGML等技术，实现大幅度的推理速度提升。
• 丰富的教程和示例：项目提供详细的使用文档和实例，便于用户上手操作和集成应用。

环境要求

• 操作系统支持：Windows、Linux、MAC。
• 基础开发环境：Anaconda 3、Python 3.8、Pytorch 1.13.1。
• 支持的硬件：如A100-PCIE-40GB的GPU，用于加速训练和推理。

典型应用场景

• 多语言语音识别：可根据应用需求微调模型，以支持特定语言或口音的识别。
• 实时语音翻译：结合翻译功能，实现语音到语音或语音到文本的跨语言转换。
• 语音交互应用：适用于需要语音输入或语音控制功能的应用程序，提升用户体验。

通过Whisper-Finetune项目，用户可以更好地定制和优化Whisper模型在特定应用中的表现，为语音识别领域的发展提供了更多可能性。