Whisper 是当前最先进的开源语音识别模型之一，毫无疑问，也是应用最广泛的模型。如果你想部署 Whisper 模型，Hugging Face 推理终端 能够让你开箱即用地轻松部署任何 Whisper 模型。但是，如果你还想叠加其它功能，如用于分辨不同说话人的说话人分割，或用于投机解码的辅助生成，事情就有点麻烦了。因为此时你需要将 Whisper 和其他模型结合起来，但对外仍只发布一个 API。
本文，我们将使用推理终端的 自定义回调函数 来解决这一挑战，将其它把自动语音识别 (ASR) 、说话人分割流水线以及投机解码串联起来并嵌入推理端点。这一设计主要受 Insanely Fast Whisper 的启发，其使用了 Pyannote 说话人分割模型。
我们也希望能通过这个例子展现出推理终端的灵活性以及其“万物皆可托管”的无限可能性。你可在
此处
找到我们的自定义回调函数的完整代码。请注意，终端在初始化时会安装整个代码库，因此如果你不喜欢将所有逻辑放在单个文件中的话，可以采用
handler.py
作为入口并调用代码库中的其他文件的方法。为清晰起见，本例分为以下几个文件:
-
handler.py: 包含初始化和推理代码 -
diarization_utils.py: 含所有说话人分割所需的预处理和后处理方法 -
config.py: 含ModelSettings和InferenceConfig。其中，ModelSettings定义流水线中用到的模型 (可配，无须使用所有模型)，而InferenceConfig定义默认的推理参数
从 PyTorch 2.2 开始，SDPA 开箱即用支持 Flash Attention 2，因此本例使用 PyTorch 2.2 以加速推理。
主要模块
下图展示了我们设计的方案的系统框图:
在实现时，ASR 和说话人分割流水线采用了模块化的方法，因此是可重用的。说话人分割流水线是基于 ASR 的输出的，如果不需要说话人分割，则可以仅用 ASR 的部分。我们建议使用 Pyannote 模型 做说话人分割，该模型目前是开源模型中的 SOTA。
我们还使用了投机解码以加速模型推理。投机解码通过使用更小、更快的模型来打草稿，再由更大的模型来验证，从而实现加速。具体请参阅 这篇精彩的博文 以详细了解如何对 Whisper 模型使用投机解码。
投机解码有如下两个限制:
- 辅助模型和主模型的解码器的架构应相同
- 在很多实现中，batch size 须为 1
在评估是否使用投机解码时，请务必考虑上述因素。根据实际用例不同，有可能支持较大 batch size 带来的收益比投机解码更大。如果你不想使用辅助模型，只需将配置中的
assistant_model
置为
None
即可。
如果你决定使用辅助模型， distil-whisper 是一个不错的 Whisper 辅助模型候选。
创建一个自己的终端
上手很简单，用 代码库拷贝神器 拷贝一个现有的带 自定义回调函数 的代码库。
以下是其
handler.py
中的模型加载部分:
from pyannote.audio import Pipeline
from transformers import pipeline, AutoModelForCausalLM
...
self.asr_pipeline = pipeline(
"automatic-speech-recognition",
model=model_settings.asr_model,
torch_dtype=torch_dtype,
device=device
)
self.assistant_model = AutoModelForCausalLM.from_pretrained(
model_settings.assistant_model,
torch_dtype=torch_dtype,
low_cpu_mem_usage=True,
use_safetensors=True
)
...
self.diarization_pipeline = Pipeline.from_pretrained(
checkpoint_path=model_settings.diarization_model,
use_auth_token=model_settings.hf_token,
)
...
然后，你可以根据需要定制流水线。
config.py
文件中的
ModelSettings
包含了流水线的初始化参数，并定义了推理期间要使用的模型:
class ModelSettings(BaseSettings):
asr_model: str
assistant_model: Optional[str] = None
diarization_model: Optional[str] = None
hf_token: Optional[str] = None
如果你用的是自定义容器或是自定义推理回调函数的话，你还可以通过设置相应的环境变量来调整参数，你可通过 Pydantic 来达成此目的。要在构建期间将环境变量传入容器，你须通过 API 调用 (而不是通过 GUI) 创建终端。
你还可以在代码中硬编码模型名，而不将其作为环境变量传入，但
请注意，说话人分割流水线需要显式地传入 HF 令牌 (
hf_token
)。
出于安全考量，我们不允许对令牌进行硬编码，这意味着你必须通过 API 调用创建终端才能使用说话人分割模型。
提醒一下，所有与说话人分割相关的预处理和后处理工具程序都在
diarization_utils.py
中。
该方案中，唯一必选的组件是 ASR 模型。可选项是: 1) 投机解码，你可指定一个辅助模型用于此; 2) 说话人分割模型，可用于对转录文本按说话人进行分割。
部署至推理终端
如果仅需 ASR 组件，你可以在
config.py
中指定
asr_model
和/或
assistant_model
，并单击按钮直接部署:
如要使用环境变量来配置推理终端托管的容器，你需要用 API 以编程方式创建终端。下面给出了一个示例:
body = {
"compute": {
"accelerator": "gpu",
"instanceSize": "medium",
"instanceType": "g5.2xlarge",
"scaling": {
"maxReplica": 1,
"minReplica": 0
}
},
"model": {
"framework": "pytorch",
"image": {
# a default container
"huggingface": {
"env": {
# this is where a Hub model gets mounted
"HF_MODEL_DIR": "/repository",
"DIARIZATION_MODEL": "pyannote/speaker-diarization-3.1",
"HF_TOKEN": "<your_token>",
"ASR_MODEL": "openai/whisper-large-v3",
"ASSISTANT_MODEL": "distil-whisper/distil-large-v3"
}
}
},
# a model repository on the Hub
"repository": "sergeipetrov/asrdiarization-handler",
"task": "custom"
},
# the endpoint name
"name": "asr-diarization-1",
"provider": {
"region": "us-east-1",
"vendor": "aws"
},
"type": "private"
}
何时使用辅助模型
为了更好地了解辅助模型的收益情况，我们使用 k6 进行了一系列基准测试，如下:
# 设置:
# GPU: A10
ASR_MODEL=openai/whisper-large-v3
ASSISTANT_MODEL=distil-whisper/distil-large-v3
# 长音频: 60s; 短音频: 8s
长音频 _ 投机解码 ..................: avg=4.15s min=3.84s med=3.95s max=6.88s p(90)=4.03s p(95)=4.89s
长音频 _ 直接解码 ..............: avg=3.48s min=3.42s med=3.46s max=3.71s p(90)=3.56s p(95)=3.61s
短音频 _ 辅助解码 .................: avg=326.96ms min=313.01ms med=319.41ms max=960.75ms p(90)=325.55ms p(95)=326.07ms
短音频 _ 直接解码 .............: avg=784.35ms min=736.55ms med=747.67ms max=2s p(90)=772.9ms p(95)=774.1ms
如你所见，当音频较短 (batch size 为 1) 时，辅助生成能带来显著的性能提升。如果音频很长，推理系统会自动将其切成多 batch，此时由于上文述及的限制，投机解码可能会拖慢推理。
推理参数
所有推理参数都在
config.py
中:
class InferenceConfig(BaseModel):
task: Literal["transcribe", "translate"] = "transcribe"
batch_size: int = 24
assisted: bool = False
chunk_length_s: int = 30
sampling_rate: int = 16000
language: Optional[str] = None
num_speakers: Optional[int] = None
min_speakers: Optional[int] = None
max_speakers: Optional[int] = None
当然，你可根据需要添加或删除参数。与说话者数量相关的参数是给说话人分割流水线的，其他所有参数主要用于 ASR 流水线。
sampling_rate
表示要处理的音频的采样率，用于预处理环节;
assisted
标志告诉流水线是否使用投机解码。请记住，辅助生成的
batch_size
必须设置为 1。
请求格式
服务一旦部署，用户就可将音频与推理参数一起组成请求包发送至推理终端，如下所示 (Python):
import base64
import requests
API_URL = "<your endpoint URL>"
filepath = "/path/to/audio"
with open(filepath, "rb") as f:
audio_encoded = base64.b64encode(f.read()).decode("utf-8")
data = {
"inputs": audio_encoded,
"parameters": {
"batch_size": 24
}
}
resp = requests.post(API_URL, json=data, headers={"Authorization": "Bearer <your token>"})
print(resp.json())
这里的
“parameters”
字段是一个字典，其中包含你想调整的所有
InferenceConfig
参数。请注意，我们会忽略
InferenceConfig
中没有的参数。
你还可以使用 InferenceClient 类，或其 异步版 来发送请求:
from huggingface_hub import InferenceClient
client = InferenceClient(model = "<your endpoint URL>", token="<your token>")
with open("/path/to/audio", "rb") as f:
audio_encoded = base64.b64encode(f.read()).decode("utf-8")
data = {
"inputs": audio_encoded,
"parameters": {
"batch_size": 24
}
}
res = client.post(json=data)
总结
本文讨论了如何使用 Hugging Face 推理终端搭建模块化的 “ASR + 说话人分割 + 投机解码”工作流。该方案使用了模块化的设计，使用户可以根据需要轻松配置并调整流水线，并轻松地将其部署至推理终端！更幸运的是，我们能够基于社区提供的优秀公开模型及工具实现我们的方案:
- OpenAI 的一系列 Whisper 模型
- Pyannote 的 说话人分割模型
- Insanely Fast Whisper 代码库 ，这是本文的主要灵感来源
本文相关的代码已上传至 这个代码库中 ，其中包含了本文论及的流水线及其服务端代码 (FastAPI + Uvicorn)。如果你想根据本文的方案进一步进行定制或将其托管到其他地方，这个代码库可能会派上用场。
英文原文: https://hf.co/blog/asr-diarization
原文作者: Sergei Petrov，Vaibhav Srivastav，Pedro Cuenca，Philipp Schmid
译者: Matrix Yao (姚伟峰)，英特尔深度学习工程师，工作方向为 transformer-family 模型在各模态数据上的应用及大规模模型的训练推理。
