加载中...
Whisper是OpenAI在2022年9月份开源的自动语音识别模型。官方宣传其英语的识别水平与人类接近。而2个月后，官方就发布了Whisper V2版本，是第一个版本继续训练2.5倍得到，且加了正则化技术。而今天，一位网友Sanchit Gandhi发布了Whisper JAX，这是对原有版本的优化结果，识别速度最高达到原始模型的70倍！
Whisper模型卡信息：https://www.datalearner.com/ai-models/pretrained-models/Whisper%20JAX
从GitHub上提供的信息看，各个版本的Whisper的参数对比结果如下：
欢迎关注 DataLearner 官方微信，获得最新 AI 技术推送
| 模型规模 | 参数数量 | 是否仅支持英文 | 多语言能力 |
|---|
| tiny | 3900万 | ✓ | ✓ |
| base | 7400万 | ✓ | ✓ |
| small | 2.44亿 | ✓ | ✓ |
| medium | 7.69亿 | ✓ | ✓ |
| large | 15.5 亿 | x | ✓ |
| large-v2 | 15.5 亿 | x | ✓ |
Whisper是近年来OpenAI少有的开源模型，其效果很好，除了OpenAI官方的实现外，transformers也有相应的实现。作者做了不同版本的测试对比：
上表中的1min、10min和1 hour分别代表不同时长的语音识别所需要的时间，单位是秒。以1个小时语音时长为例，OpenAI官方实现的PyTorch版本需要1001秒完成识别，大约是16-17分钟，transformers的实现需要126秒，而GPU版本的Whisper JAX只需要75.3秒，TPU运行的Whisper JAX只需要13.8秒！
不得不说JAX+TPU的Google全家桶性能是真的强！
Whisper JAX在Hugging Face上创建了一个Space，可以直接演示，我测试了中文，效果很好：
识别速度很快，效果非常棒。如果按照作者测试，GPU版本一分钟可以识别一个小时的语音，那么这方面的工作效率真的大大加强（为什么不说TPU？因为我们买不到！）
Google's JAX是一个用于高性能数值计算和机器学习的Python库，它可以让用户使用类似NumPy的API进行计算，并且能够在GPU和TPU等加速设备上进行自动的优化和并行化处理。JAX提供了一些强大的功能，包括自动微分，高阶梯度计算和动态编译等，这使得它成为许多机器学习算法的理想实现平台。
与其他深度学习框架类似，JAX提供了一个自动微分系统，可以轻松地计算复杂函数的梯度，并且可以支持高阶导数的计算。此外，JAX还提供了一种称为jax.jit()的动态编译器，可以将Python函数转换为高效的机器码，以实现更快的执行速度和更低的内存占用。
JAX的一个独特之处在于它可以使用XLA（Accelerated Linear Algebra）库来自动并行化和优化计算，从而在GPU和TPU等加速设备上获得更好的性能。此外，JAX还提供了一些用于构建神经网络的高级API，例如jax.nn模块和jax.experimental.stax模块，以帮助用户更轻松地构建复杂的神经网络。
总的来说，JAX是一个非常强大的数值计算和机器学习库，可以帮助用户更轻松地构建高效的模型，并在加速设备上获得更好的性能。
