作者 英特尔创新大使 黄明明

介绍

Whisper 作为一款卓越的自动语音识别（ASR）系统，依托海量且多元的监督数据完成训练，其数据规模高达 680,000 小时，涵盖多种语言及丰富多样的任务类型，广泛采撷自网络资源，以此铸就了坚实的性能根基。

从技术架构层面剖析，Whisper 构建于先进的 Transformer 框架之上，采用经典的编码器 - 解码器模型设计，也就是广为人知的序列到序列模型范式。运作流程上，先是由特征提取器对原始音频输入展开精细处理，将其转换为对数梅尔频谱图，以此完成音频数据的初次 “编码”，提炼关键特征信息。紧接着，Transformer 编码器发挥强大的编码效能，深度解析频谱图蕴含的信息，进而凝练形成一系列编码器隐藏状态，为后续文本生成筑牢信息基石。最终环节，解码器粉墨登场，以前续已生成的文本标记以及编码器隐藏状态作为关键参照条件，遵循自回归原理，按顺序逐次预测文本标记，精准高效地实现从音频到文本的转换输出，展现出高水准的语音识别能力。

在本次教程里，我们将聚焦于如何借助 OpenVINO 高效运行 Whisper，解锁其强大的语音识别功能。为了快速上手、搭建应用，我们选用 Hugging Face Transformers 库中经过精心预训练的 Whisper 模型，充分利用其丰富且优质的参数设定与知识沉淀，作为项目开展的有力基石。紧接着，借助 Hugging Face Optimum Intel 库，能够轻松达成模型格式的无缝转换，将原本的模型精准转化为 OpenVINO™ IR 格式，这种格式专为 OpenVINO 生态量身定制，在推理速度、资源利用效率等诸多方面优势尽显，为后续流畅运行筑牢根基。

尤为值得一提的是，为了全方位简化用户在操作过程中的使用体验，我们引入便捷且高效的 OpenVINO Generate API，依托这一得力工具，去逐一落实 Whisper 自动语音识别的各场景应用，无论是实时语音转录，还是音频文件批量处理等，都能游刃有余，助力开发者以更低门槛、更高效率，驾驭 Whisper 与 OpenVINO 协同带来的卓越语音识别能力。

准备工作

依赖库安装

鉴于教程依托 OpenVINO - GenAI API 来开展各项验证，相应依赖环境的妥善搭建就成了至关重要的前置环节。为确保整个运行体系的稳定性、独立性与纯净性，强烈推荐借助 Python 的虚拟环境来执行安装操作。Python 虚拟环境能够有效隔离不同项目所需的依赖包及配置信息，避免因版本冲突、库依赖混淆等常见问题干扰项目推进，让 OpenVINO - GenAI API 所需的各类依赖组件得以精准、有序且互不干扰地完成部署，为后续流畅、高效运用该 API 筑牢坚实根基，从而保障整个语音识别功能开发与实践过程顺遂无忧。

pip install -q "torch>=2.3" "torchvision>=0.18.1" --extra-index-url https://download.pytorch.org/whl/cpu
pip install -q "transformers>=4.45" "git+https://github.com/huggingface/optimum-intel.git" --extra-index-url https://download.pytorch.org/whl/cpu
pip install -q -U "openvino>=2024.5.0" "openvino-tokenizers>=2024.5.0" "openvino-genai>=2024.5.0" --extra-index-url https://download.pytorch.org/whl/cpu
pip install -q datasets  "gradio>=4.0" "soundfile>=0.12" "librosa" "python-ffmpeg<=1.0.16"
pip install -q "nncf>=2.14.0" "jiwer" "typing_extensions>=4.9"
pip install -q "numpy<2.0"

在安装 openvino-genai 时需特别留意，务必添加 “--extra-index-url https://download.pytorch.org/whl/cpu” 这一参数，若不添加，后续调用 ov_genai.WhisperPipeline 方法时会出现找不到该方法的问题。此外，若使用的是 Windows 平台，还需关注 numpy 版本情况。鉴于可能存在的版本兼容性问题，建议将 numpy 版本降至 2.0 以下；要是遇到因版本不兼容而弹出提示的状况，可直接注释掉源文件，以此确保 openvino-genai 能够顺利安装与运行。

模型下载

模型下载具备两种可选方式。其一，借助 Hugging Face Optimum Intel 平台执行下载操作。倘若在此过程中遭遇下载受阻的情形，可灵活通过配置国内镜像站来完成下载路径的转换，顺利达成下载任务。不过需要注意的是，鉴于相关模型的数据体量颇为庞大，在模型转换阶段对内存容量有着较高要求，一旦设备内存过小，极有可能致使系统运行异常，甚至出现崩溃状况。

其二，可选择直接从 Hugging Face 下载由 intel 预先转换好的模型，这种方式更为便捷直接，免去了自行转换可能面临的内存等诸多困扰，可按需择优选用。

以下为目前所有支持的模型清单，供参考使用。

model_ids = {
    "Multilingual models": [
        "openai/whisper-large-v3-turbo",
        "openai/whisper-large-v3",
        "openai/whisper-large-v2",
        "openai/whisper-large",
        "openai/whisper-medium",
        "openai/whisper-small",
        "openai/whisper-base",
        "openai/whisper-tiny",
    ],
    "English-only models": [
        "distil-whisper/distil-large-v2",
        "distil-whisper/distil-large-v3",
        "distil-whisper/distil-medium.en",
        "distil-whisper/distil-small.en",
        "openai/whisper-medium.en",
        "openai/whisper-small.en",
        "openai/whisper-base.en",
        "openai/whisper-tiny.en",
    ],}

Hugging Face Optimum Intel

若计划通过 Hugging Face Optimum Intel 途径来获取所需内容，有两种便捷方式可供选择。         其一，可前往官方代码仓库GitHub - huggingface/optimum-intel: 🤗 Optimum Intel: Accelerate inference with Intel optimization tools手动进行下载操作，按照页面指引与常规代码拉取流程，便能顺利将相关资源保存至本地。其二，更为高效的方式则是借助 pip 工具，在命令行输入 “pip install optimum-intel”，系统便会自动连接网络资源，开启下载与安装进程，轻松将 optimum-intel 模块部署到位。

然而，在实际操作过程中，可能会遇到因网络限制、服务器拥堵等因素导致的下载不畅甚至失败的状况。此时，巧妙配置国内镜像站就能有效破解难题，确保下载顺利推进。具体而言，配置国内镜像站后，下载命令如下（示例以常用的国内知名镜像站为例，实际可按需灵活选用适配镜像）：在命令行输入 “pip install -i [镜像站地址] optimum-intel”，比如使用清华镜像站时，命令便是 “pip install -i Simple Index optimum-intel”，以此借力国内优质镜像资源，快速、稳定地完成下载任务。

optimum-cli export openvino --model [模型] --library transformers --task automatic-speech-recognition-with-past --framework pt [保存路径]

如:

optimum-cli export openvino --model openai/whisper-large-v3-turbo --library transformers --task automatic-speech-recognition-with-past --framework pt models/whisper-large-v3-turbo

Hugging Face API下载

在模型应用场景中，若设备性能与存储条件理想，达到转换要求，那我们可自行将模型转换为 OpenVINO 格式，转换完成后便能顺畅投入使用，尽享 OpenVINO 带来的高效推理优势。然而，现实情况复杂多变，部分设备受限于硬件规格，诸如内存容量捉襟见肘、处理器性能差强人意，难以满足模型转换所需条件。但这并不意味着与 OpenVINO 格式模型的便捷体验失之交臂，借助 Hugging Face 的 API，我们得以另辟蹊径。只需简单操作，就能直接从 Intel 的资源库中获取已完美转换好的 OpenVINO 格式模型，跳过繁琐复杂的转换流程，即便设备性能欠佳，也能初步体验其魅力，虽说推理速度或许稍慢一些，可也为更多设备、更多使用者推开了一扇通往高效模型应用的大门。

安装Hugging Face api

pip install huggingface_hub

下载模型

import huggingface_hub as hf_hub
# 模型id
model_id = "Intel/whisper-large-v2-onnx-int4-inc"
# 模型保存的位置
model_path = "whisper-large-v2-onnx-int4-inc"

hf_hub.snapshot_download(model_id, local_dir=model_path)

具体所支持模型可以查看

https://huggingface.co/Intel

设置国内镜像

如果无法下载，可以设置镜像下载为https://hf-mirror.com，只需要设置环境变量即可。

Linux

export HF_ENDPOINT=https://hf-mirror.comCopy

Windows Powershell

$env:HF_ENDPOINT = "https://hf-mirror.com"

推理

import librosa
# 推理设备,可以是CPU，GPU，NPU
device = “”
en_raw_speech, samplerate = librosa.load(音频文件, sr=16000)
import openvino_genai
ov_pipe = openvino_genai.WhisperPipeline(str(model_path), device=device.value)
start = time.time()
genai_result = ov_pipe.generate(en_raw_speech)
print('generate:%.2f seconds' % (time.time() - start))  # 输出推理时间
print(f"result:{genai_result}")

总结

通过本文，您将学习如何利用OpenVINO框架结合Intel的CPU和GPU硬件，快速高效地实现OpenAI Whisper模型的语音识别。OpenVINO作为一个强大的深度学习推理优化工具，可以显著提升模型推理的速度和性能，尤其是在Intel的硬件平台上。在本教程中，我们将详细介绍如何配置OpenVINO环境，如何将OpenAI Whisper模型转换为OpenVINO支持的格式，以及如何在Intel的CPU和GPU上运行该模型进行语音识别。

未来，借助OpenVINO框架，您将能够轻松实现更多语音识别相关的应用案例，例如多语种语音转文本、语音命令识别以及智能助手等。OpenVINO的跨平台能力和对多种硬件的支持，使其成为AI开发者进行高效推理加速的理想选择。