Whisper large-v3は、音声認識のモデルとなります。喋った言葉をテキストとして認識できるということです。

今回は、下記のページを参考にGoogle Colabで動かしてみました。

今回のコードは、Pythonでの音声認識のためのプログラムです。まず、必要なパッケージ（pip, transformers, accelerate, datasets）をインストールし、torchやtransformersライブラリを使ってOpenAIのwhisper-large-v3モデルをセットアップしています。

1. torchとtransformersライブラリをインポートしています。

2. 使用するデバイス（GPUまたはCPU）とデータの型を設定しています。

3. whisper-large-v3モデルを読み込んで、選択したデバイスに配置しています。

4. 音声認識のためのプロセッサとパイプラインを設定しています。

5. distil-whisper/librispeech_longデータセットからバリデーションセットを読み込んでいます。

6. データセットの最初のサンプルを取得し、音声認識パイプラインに通して結果を表示しています。

このプログラムの目的は、与えられた音声サンプルからテキストを抽出することです。

!pip install --upgrade pip
!pip install --upgrade git+https://github.com/huggingface/transformers.git accelerate datasets[audio]

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "openai/whisper-large-v3"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    max_new_tokens=128,
    chunk_length_s=30,
    batch_size=16,
    return_timestamps=True,
    torch_dtype=torch_dtype,
    device=device,
)

dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]

result = pipe(sample)
print(result["text"])

所感は、すんなりとGoogle Colabで動いたので使いやすいです。汎用性も高いため今後使われていくのではないでしょうか。