Distil-Whisper: Distilación Robusta de Conocimiento mediante Etiquetado Pseudo a Gran Escala

Resumen

A medida que aumenta el tamaño de los modelos preentrenados de reconocimiento de voz, ejecutar estos modelos grandes en entornos de baja latencia o con recursos limitados se vuelve un desafío. En este trabajo, aprovechamos el etiquetado pseudo-supervisado para ensamblar un conjunto de datos de gran escala de código abierto, el cual utilizamos para destilar el modelo Whisper en una variante más pequeña, llamada Distil-Whisper. Utilizando una heurística simple basada en la tasa de error de palabras (WER), seleccionamos solo las pseudo-etiquetas de mayor calidad para el entrenamiento. El modelo destilado es 5.8 veces más rápido y tiene un 51% menos de parámetros, mientras que su rendimiento se mantiene dentro de un 1% de WER en datos de prueba fuera de distribución en un escenario de transferencia zero-shot. Distil-Whisper conserva la robustez del modelo Whisper frente a condiciones acústicas difíciles, al mismo tiempo que es menos propenso a errores de alucinación en audios de larga duración. Distil-Whisper está diseñado para ser utilizado junto con Whisper en un esquema de decodificación especulativa, logrando una aceleración de 2 veces mientras se garantiza matemáticamente que las salidas sean idénticas a las del modelo original. Para facilitar futuras investigaciones en este ámbito, hemos hecho públicos nuestro código de entrenamiento, código de inferencia y modelos.

English

As the size of pre-trained speech recognition models increases, running these large models in low-latency or resource-constrained environments becomes challenging. In this work, we leverage pseudo-labelling to assemble a large-scale open-source dataset which we use to distill the Whisper model into a smaller variant, called Distil-Whisper. Using a simple word error rate (WER) heuristic, we select only the highest quality pseudo-labels for training. The distilled model is 5.8 times faster with 51% fewer parameters, while performing to within 1% WER on out-of-distribution test data in a zero-shot transfer setting. Distil-Whisper maintains the robustness of the Whisper model to difficult acoustic conditions, while being less prone to hallucination errors on long-form audio. Distil-Whisper is designed to be paired with Whisper for speculative decoding, yielding a 2 times speed-up while mathematically ensuring the same outputs as the original model. To facilitate further research in this domain, we make our training code, inference code and models publicly accessible.