whisper-v3模型部署环境执行-Toy模板网

这篇具有很好参考价值的文章主要介绍了whisper-v3模型部署环境执行。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1. 安装whisperV3

github git clone https://github.com/openai/whisper.git
pip install -U openai-whisper
pip install setuptools-rust
这些都没有安装但是github下载的版本是能执行成功的
pip install accelerate
pip install soundfile
pip install librosa
pip install torchaudio

requirements.txt

numba
numpy
torch
tqdm
more-itertools
tiktoken
triton>=2.0.0,<3;platform_machine=="x86_64" and sys_platform=="linux" or sys_platform=="linux2"

github官方版本

要进到whisper目录里面，执行脚本要和whisper/whisper目录同级。这样就执行成功了。

import whisper

model = whisper.load_model("base")
result = model.transcribe("audio.mp3")
print(result["text"])

遇到的名词解释

1. 大模型的弱标签

在大模型中，弱标签（Weak Labels）通常指的是相对于强标签（Strong Labels）而言的标签类型。强标签是指对每个样本都有明确、准确的标签，可以直接用于训练模型的监督学习任务。而弱标签则指的是对样本的标签信息不够准确或完整，可能存在噪声、不确定性或模糊性。

弱标签可以是多种形式，常见的包括但不限于：

部分标签（Partial Labels）：只对样本的部分特征或属性进行标记，而不是对整个样本进行标记。
噪声标签（Noisy Labels）：由于标注过程中的错误或不确定性而产生的标签。
不确定标签（Uncertain Labels）：对于某些样本标签的确定性不高，存在一定程度的不确定性。
模糊标签（Ambiguous Labels）：标签含义不明确或模糊，可能存在多种解释或理解。

在使用弱标签进行训练时，通常需要采取一些特殊的处理方法来处理标签的不确定性和噪声，以提高模型的鲁棒性和泛化能力。这包括使用弱标签推理（Weak Label Inference）、噪声过滤（Noise Filtering）、半监督学习（Semi-Supervised Learning）等技术来充分利用弱标签信息进行模型训练。

参考文档

论文： https://cdn.openai.com/papers/whisper.pdf
whisper-v3 model-card https://huggingface.co/openai/whisper-large-v3
知乎胡儿 v3介绍 https://zhuanlan.zhihu.com/p/662906303
安装参考 https://zhuanlan.zhihu.com/p/666969310
github https://github.com/openai/whisper/blob/main/model-card.md
根据官方文档安装就可以了 https://github.com/openai/whisper/blob/main/README.md
官网 https://openai.com/research/whisper文章来源地址https://www.toymoban.com/news/detail-845937.html

到了这里，关于whisper-v3模型部署环境执行的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！