语音识别模型whisper的参数说明

一、whisper简介：

Whisper是一种通用的语音识别模型。它是在各种音频的大型数据集上训练的，也是一个多任务模型，可以执行多语言语音识别、语音翻译和语言识别。

二、whisper的参数

1、-h, --help

查看whisper的参数

2、--model {tiny.en,tiny,base.en,base,small.en,small,medium.en,medium,large-v1,large-v2,large}

选择使用的模型，默认值：small

3、--model_dir MODEL_DIR

模型文件的保存路径，默认值：~/.cache/whisper

4、--device DEVICE

PyTorch接口使用的设备，默认值：CPU

5、--output_dir OUTPUT_DIR, -o OUTPUT_DIR

输出结果保存的目录，默认值：当前目录

6、--output_format {txt,vtt,srt,tsv,json,all}, -f {txt,vtt,srt,tsv,json,all}

输出文件的格式，默认值：all

7、--verbose VERBOSE

是否打印进展和debug信息，默认值：true

8、--task {transcribe,translate}

transcribe：语音转文字

translate：语音转英语

默认值：transcribe

9、--language {af,am,ar,as,az,ba,be,bg,bn,bo,br,bs,ca,cs,cy,da,de,el,en,es,et,eu,fa,fi,fo,fr,gl,gu,ha,haw,he,hi,hr,ht,hu,hy,id,is,it,ja,jw,ka,kk,km,kn,ko,la,lb,ln,lo,lt,lv,mg,mi,mk,ml,mn,mr,ms,mt,my,ne,nl,nn,no,oc,pa,pl,ps,pt,ro,ru,sa,sd,si,sk,sl,sn,so,sq,sr,su,sv,sw,ta,te,tg,th,tk,tl,tr,tt,uk,ur,uz,vi,yi,yo,zh,Afrikaans,Albanian,Amharic,Arabic,Armenian,Assamese,Azerbaijani,Bashkir,Basque,Belarusian,Bengali,Bosnian,Breton,Bulgarian,Burmese,Castilian,Catalan,Chinese,Croatian,Czech,Danish,Dutch,English,Estonian,Faroese,Finnish,Flemish,French,Galician,Georgian,German,Greek,Gujarati,Haitian,Haitian Creole,Hausa,Hawaiian,Hebrew,Hindi,Hungarian,Icelandic,Indonesian,Italian,Japanese,Javanese,Kannada,Kazakh,Khmer,Korean,Lao,Latin,Latvian,Letzeburgesch,Lingala,Lithuanian,Luxembourgish,Macedonian,Malagasy,Malay,Malayalam,Maltese,Maori,Marathi,Moldavian,Moldovan,Mongolian,Myanmar,Nepali,Norwegian,Nynorsk,Occitan,Panjabi,Pashto,Persian,Polish,Portuguese,Punjabi,Pushto,Romanian,Russian,Sanskrit,Serbian,Shona,Sindhi,Sinhala,Sinhalese,Slovak,Slovenian,Somali,Spanish,Sundanese,Swahili,Swedish,Tagalog,Tajik,Tamil,Tatar,Telugu,Thai,Tibetan,Turkish,Turkmen,Ukrainian,Urdu,Uzbek,Valencian,Vietnamese,Welsh,Yiddish,Yoruba}

音频文件的语言设置，设置为无则会进行语言检测

默认值：无

10、--temperature TEMPERATURE

用于取样的温度

默认值：0

11、--best_of BEST_OF

在非零温度下采样时的候选数量

默认值：5

12、--beam_size BEAM_SIZE
beam search 算法中beams的数量，只适用于temperature为0的情况

默认值：5
13、--patience PATIENCE

选项patience值用在beam解码，参考https://arxiv.org/abs/2204.05424, 默认情况下（1.0）相当于传统beam搜索

默认值：无
14、--length_penalty LENGTH_PENALTY
可选令牌长度惩罚系数（alpha）参考https://arxiv.org/abs/1609.08144,默认情况下使用简单长度规格化

默认值：无
15、--suppress_tokens SUPPRESS_TOKENS
要在采样期间抑制的以逗号分隔的令牌ID列表；'-1'将抑制除常见标点符号以外的大多数特殊字符默认值：-1
16、--initial_prompt INITIAL_PROMPT
可选的文本作为第一个窗口的提示词

默认值：无
17、--condition_on_previous_text CONDITION_ON_PREVIOUS_TEXT

如果为true，则前一个模型的输出会作为下一个窗口的提示，禁用可能导致窗口之间的文本不一致，但该模型不太容易陷入故障循环

默认值：true
18、--fp16 FP16

是否使用FP16

默认值：true
19、--temperature_increment_on_fallback TEMPERATURE_INCREMENT_ON_FALLBACK
当解码失败遇到下面任意一个的阈值回退的时候温度将增加

默认值： 0.2
20、--compression_ratio_threshold COMPRESSION_RATIO_THRESHOLD
如果gzip压缩率大于这个值，认为解码失败
默认值：2.4
21、--logprob_threshold LOGPROB_THRESHOLD
如果平均对数概率低于此值，认为解码失败
默认值：-1.0
22、--no_speech_threshold NO_SPEECH_THRESHOLD
如果|nospeech|的概率高于此值并且因为 logprob_threshold解码失败，认为此片段没有声音

默认值：0.6
23、--word_timestamps WORD_TIMESTAMPS
提取单词级别的时间戳，并根据它们细化结果 (实验性质的)

默认值：False
24、--prepend_punctuations PREPEND_PUNCTUATIONS

如果word_timestamps设置为true，将这些标点符号与后一个单词合并

默认值："'“¿([{-
25、--append_punctuations APPEND_PUNCTUATIONS

如果word_timestamps设置为true，将这些标点符号与前一个单词合并

默认值："'.。,，!！?？:：”)]}、
26、--highlight_words HIGHLIGHT_WORDS
在srt和vtt中说出的每个单词下面加下划线(条件：--word_timestamps True)

默认值： false
27、--max_line_width MAX_LINE_WIDTH

换行之前，一行最大多少个字符 (条件：--word_timestamps True)

默认值： 无
28、--max_line_count MAX_LINE_COUNT
一个片段中最大包含几行 (条件：--word_timestamps True)

默认值： 无
29、--threads THREADS

在CPU接口下，torch使用的线程数量，取代 MKL_NUM_THREADS/OMP_NUM_THREADS