了解ASR(自动语音识别)和模型Whisper
·
ASR是自动语音识别技术，现代端到端的主流ASR架构为：
音频 → [预处理 → 神经网络编码 → 解码] → 文本
↑ ↑
信号处理 深度学习Whisper 是由 OpenAI 于 2022 年发布的开源语音识别模型。它是一个基于 Transformer 架构的端到端模型，具有以下核心特点：多任务模型、多语言支持、多种格式、强鲁棒性和无需微调开箱即用。
一、ASR
音频输入与预处理一般通过ffmpeg与VAD配合完成
1、特征提取与编码
现在的ASR通常使用声学特征直接输入神经网络。
常见的声学特征有以下四种，但是现在一般直接使用神经网络自动学习特征，例如Conformer编码器就是神经网络组成的。
- MFCC（梅尔频率倒谱系数）：13-40维
-
def compute_mfcc(log_mel_spectrum, n_mfcc=13): # 离散余弦变换（DCT） mfcc = dct(log_mel_spectrum, type=2, axis=1, norm='ortho') mfcc = mfcc[:, :n_mfcc] # 取前13个系数 return mfcc # shape: (帧数, 13) # MFCC包含： # 0阶：能量 # 1-2阶：谱斜率 # 3-13阶：谱包络细节 - 梅尔频谱（Mel-Spectrogram）：80-128维
-
# 现代ASR（如Whisper）直接使用梅尔频谱图 def extract_mel_spectrogram(audio, sr=16000): mel_spec = librosa.feature.melspectrogram( y=audio, sr=sr, n_mels=80, # Whisper使用80维 n_fft=400, # 400个样本（25ms） hop_length=160, # 160个样本（10ms） fmin=0, fmax=8000 ) log_mel_spec = np.log(np.clip(mel_spec, a_min=1e-10)) return log_mel_spec.T # shape: (时间帧数, 80) - 滤波器组（Filter Bank）：40-80维
-
def mel_filter_bank(magnitude_spectrum, sr=16000, n_mels=80): # 1. 创建梅尔尺度滤波器 mel_filters = librosa.filters.mel(sr=sr, n_fft=512, n_mels=n_mels) # 2. 应用滤波器组 mel_spectrum = np.dot(magnitude_spectrum, mel_filters.T) # 3. 取对数（人耳对声音强度的感知是对数的） log_mel_spectrum = np.log(mel_spectrum + 1e-10) return log_mel_spectrum # shape: (帧数, 80) # 梅尔频率：模拟人耳听觉特性 # 低频分辨率高，高频分辨率低 - 原始波形（Raw Waveform）：端到端模型直接使用
- Conformer编码器：
输入: (T, 80) # T个时间帧，每帧80维梅尔特征
Conformer 编码器:
1. 子采样卷积层: (T, 80) → (T/4, 512)
2. 位置编码: 加入时序信息
3. N个Conformer Block:
- 前馈网络（Feed Forward）
- 多头自注意力（Multi-Head Self-Attention）
- 卷积模块（捕捉局部特征）
- 残差连接 + 层归一化
输出: (T/4, 512) # 高层声学表示
2、解码
解码器类型比较
|
CTC 连接时序分类 |
RNN-T 循环神经网络转换器 | Attention-based Seq2Seq | Transfoemer-based | |
|---|---|---|---|---|
| 特点 | 每个时间步独立预测 | 结合RNN和CTC | 编码器-解码器 + 注意力 | 纯注意力机制 |
| 优点 | 训练简单、推理快 | 流式友好，考虑上下文 | 效果好、适合长语音 | 并行计算、效果最好 |
| 缺点 | 假设输出独立，不考虑上下文 | 训练复杂，推理慢 | 非流式，需要看到完整语音 | 需要大量数据、计算资源多 |
CTC、解码过程详解
# CTC
class CTC_Decoder:
def decode(self, encoder_output):
# 1. 每个时间步独立预测
# encoder_output shape: (T, 512)
logits = self.output_layer(encoder_output) # (T, vocab_size)
# 2. 得到每个时间步的字符概率
# 例如：T=100个时间步，每个步有5000个字符的概率
# 3. 移除重复字符和空白符
# 原始: - a a - - b b - c c → "a b c"
# 空白符"-"表示静音或过渡
# 4. 选择概率最高的序列
return best_sequence
# Attention Seq2Seq
class AttentionDecoder:
def decode(self, encoder_output):
# 初始化
hidden = init_hidden()
output = ["<sos>"] # 开始标记
# 自回归生成
for step in range(max_length):
# 1. 当前输出词转向量
embed = self.embedding(output[-1])
# 2. 注意力机制
# 计算注意力权重：哪些音频帧对当前词最重要
attn_weights = softmax(
self.attention(query=hidden,
key=encoder_output)
)
# 3. 上下文向量（加权和）
context = sum(attn_weights[i] * encoder_output[i]
for i in range(T))
# 4. 解码器RNN
hidden = self.decoder_rnn(embed, hidden, context)
# 5. 预测下一个词
next_word_probs = softmax(
self.output_projection(hidden)
)
# 6. 选择最可能的词
next_word = argmax(next_word_probs)
output.append(next_word)
if next_word == "<eos>": # 结束标记
break
return output[1:-1] # 去掉开始/结束标记
# Transformer 解码器（如 Whisper）
class TransformerDecoder:
def decode(self, encoder_output):
# 1. 初始化：开始标记
tokens = [self.sos_token]
# 2. 自回归生成
for i in range(max_length):
# 嵌入层
token_embeds = self.embedding(tokens)
# 解码器自注意力（掩码，防止看到未来）
dec_output = self.decoder_blocks(
token_embeds,
encoder_output
)
# 预测下一个词
logits = self.output_layer(dec_output[:, -1, :])
next_token = argmax(logits)
tokens.append(next_token)
if next_token == self.eos_token:
break
return tokens[1:-1]
3、后处理和格式化输出
好的后处理可以让ASR系统的实用价值提升30-50%，是工业级ASR系统中不可或缺的一环。
后处理包括的操作类型有：标点回复、数字标准化、实体标准化、语法修正、领域适配、流畅性改进等等。
def postprocess_asr_text(raw_text):
# 1. 标点恢复
text = add_punctuation(raw_text)
# "你好我是语音助手" → "你好，我是语音助手。"
# 2. 大小写恢复
text = restore_capitalization(text)
# "i live in beijing" → "I live in Beijing"
# 3. 数字标准化
text = normalize_numbers(text)
# "一二三" → "123"
# "two hundred" → "200"
# 4. 口语化处理
text = normalize_spoken_text(text)
# "gonna" → "going to"
# "um", "ah" → 删除
# 5. 专有名词校正
text = correct_proper_nouns(text)
# "open ai" → "OpenAI"
# 6. 空格规范化
text = re.sub(r'\s+', ' ', text).strip()
return text
文本的格式化输出文本有利于信息抽取等操作
def format_asr_output(text, segments, timestamps):
output = {
'text': text, # 完整文本
'segments': [
{
'id': i,
'start': seg['start'],
'end': seg['end'],
'text': seg['text'],
'confidence': seg['confidence']
}
for i, seg in enumerate(segments)
],
'language': detected_language,
'duration_ms': total_duration,
'word_timestamps': [
{
'word': word,
'start': start_ms,
'end': end_ms
}
for word, start_ms, end_ms in timestamps
]
}
return output
二、Whisper
whisper虽然开箱即用，但是首次使用的时候需要下载模型，下载的时候可以选择不同大小的模型tiny、base、small、medium、large，他们的准确率与模型的大小成正比（越大准确率越高），速度与模型大小成反比（越大速度越慢）。
whisper生态系统：以OpenAI的Whisper模型为核心，由社区驱动的工具、框架、应用和服务组成的完整技术栈，如下图
| 生态工具 | 场景 | 理由 |
|---|---|---|
openai/whisper | 研究和实验 | 功能完整，调试方便 |
faster-whisper | 生产环境部署 | 平衡性能与功能 |
whisper.cpp或faster-whisper | 实时转写/直播 | 延迟低，资源占用少 |
whisperX | 需要说话人分离 | 集成diarization |
whisper-jax或faster-whisper | 云端大批量处理 | 吞吐量高 |
whisper.cpp | 移动端/嵌入式 | 内存小，无GPU依赖 |
whisperX | 需要词级时间戳 | 词对齐准确 |
针对whisper衍生出的工具包在调用transcribe()函数的时候会返回不同的结构内容。
1、官方实现——openai-whisper/whisper.cpp的返回结构
openai-whisper包返回的是以下格式：其中text是所有的文本，segments表示每一段的信息（包括文本、开始/结束时间、偏移量），words表示每个词/字的信息。
result = {
"text": "完整文本，所有分段合并", # 最常用的结果
"segments": [ # 最重要的部分，包含详细分段信息
{
"id": 0, # 分段序号
"seek": 0, # 在音频中的搜索位置（秒）
"start": 0.0, # 开始时间（秒）
"end": 4.0, # 结束时间（秒）
"text": "你好，", # 该段落的文本
# 🔬 解码质量指标（判断准确性）
"avg_logprob": -0.2, # 平均对数概率：-1（差）~ 0（完美）
"no_speech_prob": 0.02, # 无语音概率：0（是语音）~1（不是语音）
"compression_ratio": 1.2, # 压缩比：>2.4可能有问题
"temperature": 0.0, # 解码温度
# 🔢 技术细节
"tokens": [50364, 1234, ...], # 该段的token序列
# 🆕 large-v3新增（需要word_timestamps=True）
"words": [ # 词级时间戳
{
"word": "你", # 单个词/字
"start": 0.0, # 词开始时间
"end": 0.2, # 词结束时间
"probability": 0.95 # 词置信度
}
]
}
],
"language": "zh" # 检测到的语言（ISO 639-1代码）
}
whisper.cpp返回 json 格式，以下是返回示例：transcription表示转录文本
{
"transcription": [
{
"timestamps": {
"from": "00:00:00,000", # SRT格式时间戳
"to": "00:00:04,000"
},
"offsets": {
"from": 0, # 字符偏移量（在全文中的位置）
"to": 3
},
"text": "你好，",
"tokens": [50364, 1234, ...]
}
],
"text": "完整文本", # 可选，根据参数
"language": "zh",
"response_time": 2.3
}
2、推理优化——faster-whisper的返回结构
faster-whisper中使用transcribe()函数一般返回两个对象：生成器和信息对象，如下
# 返回两个对象：生成器和信息对象
segments, info = model.transcribe("audio.mp3")
# 📊 info对象（TranscriptionInfo）
print(info.__dict__)
# {
# 'language': 'zh', # 检测语言
# 'language_probability': 0.98, # 语言检测置信度
# 'duration': 30.5, # 音频时长
# 'all_language_probs': { # 所有语言概率
# 'zh': 0.98, 'en': 0.01, ...
# },
# 'transcription_time': 2.3, # 转录耗时（秒）
# 'initial_prompt': None # 初始提示词
# }
# 🔄 segments生成器（迭代获取Segment对象）
for segment in segments:
print(segment.__dict__)
# {
# 'start': 0.0, # 开始时间
# 'end': 4.0, # 结束时间
# 'text': '你好，', # 文本
#
# # 可选（word_timestamps=True时）
# 'words': [
# Word(start=0.0, end=0.2, word='你', probability=0.95),
# Word(start=0.2, end=0.4, word='好', probability=0.92)
# ]
# }
3、功能增强——whisperX的返回结构
result = {
# 🎯 语音活动检测结果
"segments": [ # 类似官方格式
{
"start": 0.0,
"end": 4.0,
"text": "你好，",
# 🎤 词级对齐（比官方更准）
"words": [
{
"word": "你",
"start": 0.0,
"end": 0.2,
"score": 0.95, # 对齐分数
"speaker": None # 可扩展说话人分离
}
]
}
],
# 📝 另一种词片段格式
"word_segments": [
{
"word": "你",
"start": 0.0,
"end": 0.2,
"score": 0.95
}
],
# 🗣️ 说话人分离结果（需要额外模型）
"speaker_segments": [
{
"start": 0.0,
"end": 10.0,
"speaker": "SPEAKER_00",
"text": "第一段话..."
}
],
"language": "zh"
}
| 工具包 | 返回类型 | 主要字段 | 额外特性 | 语言检测 |
|---|---|---|---|---|
| openai-whisper | dict | text, segments, language | 官方实现，功能完整 | 返回语言代码 |
| faster-whisper | tuple + Generator | (segments_generator, info) | 速度快，内存小 | 包含概率值 |
| whisper.cpp | JSON/文本 | 各种自定义格式 | 可嵌入式部署 | 需要参数指定 |
| whisper-jax | dict | text, chunks | GPU利用率高 | HF格式 |
| whisperX | dict | segments, word_segments | 词级对齐，说话人分离 | 同官方 |
腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。
更多推荐
5
0- 0
已为社区贡献3条内容
所有评论(0)