作者：Pareena Verma (Arm)

自动语音识别（ASR）彻底改变了我们与技术的交互方式，为实时音频转录、语音助手和辅助功能工具等应用开辟了道路。OpenAI Whisper 是一个功能强大的 ASR 模型，能够进行多语言语音识别和翻译。

现在有一个新的 Arm 学习路径可用，它解释了如何使用 PyTorch 和 Hugging Face transformers 在基于 Arm 的云实例上加速 Whisper。

为什么要在 Arm 上运行 Whisper？

Arm 处理器因其效率、性能和成本效益而在云基础设施中受到欢迎。随着 AWS、Azure 和 Google Cloud 等主要云提供商提供基于 Arm 的实例，在此架构上运行机器学习工作负载变得越来越有吸引力。

您将学到什么

Arm 学习路径提供了在基于 Arm 的云实例上设置和加速 Whisper 的结构化方法。以下是您将涵盖的内容：

1. 设置您的环境

在运行 Whisper 之前，您必须设置开发环境。学习路径将指导您设置基于 Arm 的云实例并安装所有依赖项，例如 PyTorch、Transformers 和 ffmpeg。

2. 使用 PyTorch 和 Hugging Face Transformers 运行 Whisper

环境准备就绪后，您将使用 Hugging Face transformer 库与 PyTorch 一起加载并执行 Whisper 进行语音转文本转换。本教程提供了处理音频文件和生成音频转录的逐步方法。

3. 测量和评估性能

为了确保高效执行，您将学习如何测量转录速度并比较不同的优化技术。本指南提供了关于解释性能指标和在部署时做出明智决策的见解。

亲自动手尝试

完成本教程后，您将了解如何：

  • 在基于 Arm 的云实例上部署 Whisper。
  • 实现性能优化以实现高效执行。
  • 评估转录速度并根据结果进一步优化。

立即试用实时演示，查看 Whisper 在 Arm 上的音频转录实际效果： Arm 上的 Whisper 演示。