Whisper 分词器

[源文件]

WhisperTokenizer

keras_hub.tokenizers.WhisperTokenizer(
    vocabulary=None, merges=None, special_tokens=None, language_tokens=None, **kwargs
)

使用字节对编码(Byte-Pair Encoding)子词分割的 Whisper 文本分词器。

这个分词器类会将原始字符串分词为整数序列,并基于 keras_hub.tokenizers.BytePairTokenizer。该分词器不提供输入的截断或填充功能。

参数

  • vocabulary:字符串或字典,将词元映射到整数 ID。如果是字符串,应为 JSON 文件的路径。
  • merges:字符串或列表,包含合并规则。如果是字符串,应为合并规则文件的路径。合并规则文件应每行包含一条合并规则。每条合并规则包含由空格分隔的合并实体。
  • special_tokens:字符串或字典,将特殊词元映射到整数 ID。如果是字符串,应为 JSON 文件的路径。
  • language_tokens:字符串或字典,将语言词元映射到整数 ID。如果不是 None,则假定该分词器是多语言分词器。

[源文件]

from_preset 方法

WhisperTokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

从模型预设实例化 keras_hub.models.Tokenizer

预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。preset 可以按以下方式之一传递:

  1. 内置预设标识符,例如 'bert_base_en'
  2. Kaggle Models 句柄,例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄,例如 'hf://user/bert_base_en'
  4. 本地预设目录的路径,例如 './bert_base_en'

对于任何 Tokenizer 子类,您可以运行 cls.presets.keys() 来列出类中所有可用的内置预设。

此构造函数可以通过以下两种方式之一调用。可以从基类(例如 keras_hub.models.Tokenizer.from_preset())调用,也可以从模型类(例如 keras_hub.models.GemmaTokenizer.from_preset())调用。如果从基类调用,则返回对象的子类将从预设目录中的配置推断。

参数

  • preset:字符串。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
  • load_weights:布尔值。如果为 True,权重将加载到模型架构中。如果为 False,权重将随机初始化。

示例

# Load a preset tokenizer.
tokenizer = keras_hub.tokenizer.Tokenizer.from_preset("bert_base_en")

# Tokenize some input.
tokenizer("The quick brown fox tripped.")

# Detokenize some input.
tokenizer.detokenize([5, 6, 7, 8, 9])
预设 参数 描述
whisper_tiny_en 37.18M 4 层 Whisper 模型。在 438,000 小时标记的英语语音数据上训练。
whisper_tiny_multi 37.76M 4 层 Whisper 模型。在 680,000 小时标记的多语言语音数据上训练。
whisper_base_multi 72.59M 6 层 Whisper 模型。在 680,000 小时标记的多语言语音数据上训练。
whisper_base_en 124.44M 6 层 Whisper 模型。在 438,000 小时标记的英语语音数据上训练。
whisper_small_en 241.73M 12 层 Whisper 模型。在 438,000 小时标记的英语语音数据上训练。
whisper_small_multi 241.73M 12 层 Whisper 模型。在 680,000 小时标记的多语言语音数据上训练。
whisper_medium_en 763.86M 24 层 Whisper 模型。在 438,000 小时标记的英语语音数据上训练。
whisper_medium_multi 763.86M 24 层 Whisper 模型。在 680,000 小时标记的多语言语音数据上训练。
whisper_large_multi 1.54B 32 层 Whisper 模型。在 680,000 小时标记的多语言语音数据上训练。
whisper_large_multi_v2 1.54B 32 层 Whisper 模型。在 680,000 小时标记的多语言语音数据上训练了 2.5 个 epoch。是 whisper_large_multi 的改进版本。