Distil-Whisper

语音识别在实际应用中有非常多的应用。早先，OpenAI发布的Whisper模型是目前语音识别模型中最受关注的一类，也很可能是目前ChatGPT客户端语音识别背后的模型。HuggingFace基于Whisper训练并开源了一个全新的Distil-Whisper，它比Whisper-v2速度快6倍，参数小49%，而实际效果几乎没有区别。

OpenAI的Whisper模型简介

OpenAI的Whisper是一个通用目的的语音识别模型，基于多种语料训练的可以识别多种语言的模型。按照官方的宣传，Whisper在英语语音识别方面的鲁棒性和准确性接近人类水平：

According to OpenAI, Whisper approaches “human-level robustness and accuracy” for English speech recognition.

Whisper模型引起这么多的关注主要包括如下原因：

1. 在不同背景噪音、口音等方面Whisper都有较好的鲁棒性；
2. 一个模型可以识别多种语言；
3. 基于68万小时的多语言数据集训练；

此外，Whisper是OpenAI最近几年较少的开源模型，2022年9月首次发布，包含不同的版本。在2022年12月发布了V2版本。其中最大的模型约15.5亿参数。这些具体的Whisper模型版本参考：

Whisper模型信息卡地址：https://www.datalearner.com/ai-models/pretrained-models/Whisper
Whisper V2模型信息卡地址：https://www.datalearner.com/ai-models/pretrained-models/Whisper-V2

不过，Whisper模型的速度一般，根据测试，原始的Whisper-V2模型在NVIDIA V100S上，对13分钟的语音识别的转换时间要4分钟30秒。

此次，HuggingFace发布的Distil-Whisper模型速度上比原始的Whisper-V2快6倍！

HuggingFace发布的Distil-Whisper模型

Distil-Whisper模型是才发布的，HuggingFace官方说会在2023年11月2日开源。

Distil-Whisper是一个通过伪标签（Pseudo-Label）技术和知识蒸馏（Knowledge Distillation）方法从原始的 Whisper 模型中蒸馏得到的语音识别模型。目的是在不损失太多性能的情况下，创建一个更小、更快的模型，能够在低延迟或资源受限的环境中运行。

为此，HuggingFace首先使用 Whisper 模型为大量未标记数据生成伪标签，然后利用这些伪标签数据和知识蒸馏技术来训练 Distil-Whisper。

当然，以下是关于这篇论文提出的模型的总结，以及按照宣传方式提炼的几个吸引人的特点。

模型总结:

这篇论文提出了 Distil-Whisper，这是一个通过伪标签技术和知识蒸馏方法从原始的 Whisper 模型中蒸馏得到的语音识别模型。目的是在不损失太多性能的情况下，创建一个更小、更快的模型，能够在低延迟或资源受限的环境中运行。为此，作者首先使用 Whisper 模型为大量未标记数据生成伪标签，然后利用这些伪标签数据和知识蒸馏技术来训练 Distil-Whisper。

具体来说，Distil-Whisper模型包含如下几个特点：

1. 高效且轻量：Distil-Whisper 是原始 Whisper 模型的轻量级版本，具有 51% 更少的参数，但在性能上与原始模型相当。
2. 大规模伪标签训练：通过利用大量未标记数据的伪标签，模型实现了大规模的训练，从而提高了其鲁棒性和性能。
3. 保持鲁棒性：尽管模型经过蒸馏和减小，但它仍然保持了对复杂声学条件的鲁棒性，这在原始 Whisper 模型中是一个重要的特点。
4. 快速推理：Distil-Whisper 比原始模型快 5.8 倍，使其非常适合需要快速响应的应用。
5. 质量控制：采用了基于词错误率的启发式方法，确保只使用最高质量的伪标签进行训练，从而保证了模型的高质量输出。

以上就是 Distil-Whisper 模型的主要特点。这些特点使其在语音识别领域中具有很高的竞争力，尤其是在需要轻量级、高性能模型的场景中。

Distil-Whisper的训练细节

Distil-Whisper模型的方案和训练细节主要包含2个方面，一个是利用新的数据集，基于Whisper模型生成伪标签，用于后续训练；第二个是提出了基于Whisper的知识蒸馏模型方案，用以训练Distil-Whisper模型。

Distill-Whisper模型使用的训练数据

为了训练Distill-Whisper模型，HuggingFace收集了9个公开语音数据集，包含18260个演讲者的10个领域的21170个小时的语音数据集。总结如下：

利用Whisper生成数据集的伪标签

上述数据集量很大，且大多数无标签的数据集，为了得到蒸馏后的Whisper模型，HuggingFace使用了原始的Whisper模型来对这些数据集进行标注。

基于知识蒸馏架构的Distll-Whisper模型

Distil-Whisper模型的架构图如下：

如上图所示，作者保留了原始的Whisper模型的encoder部分，在decoder部分保留了第一层和最后一层，然后中间层全部放弃，重新训练。进行知识蒸馏的训练。

Distil-Whisper效果评估

最终，Distil-Whisper测试结果很好，主要总结如下：

1. 蒸馏后的模型 Distil-Whisper 比原始 Whisper 模型快 5.8 倍，参数减少了 51%。
2. 在零次转移设置的分布外测试数据上，Distil-Whisper 的 WER 与原始 Whisper 模型相差不到 1%。
3. Distil-Whisper 保持了 Whisper 模型对困难声学条件的鲁棒性。

原文来自： https://www.datalearner.com/blog/1051698897550736