Skip to content
The Chat Archive
gemini-2.5-flash· Google LMArena Human Preference 140K

AutomaticSpeechRecognitionPipeline.sanitizeparameters() got an unexpected keyword…

  1. User

    AutomaticSpeechRecognitionPipeline._sanitize_parameters() got an unexpected keyword argument 'chunk_size'" - почему выбрасывается такая ошибка при попытки инициализировать модель Whisper c указанием параметров chunk_size и chunk_overlap (версия transformers 4.53.2) ?

  2. Assistant

    Ошибка AutomaticSpeechRecognitionPipeline._sanitize_parameters() got an unexpected keyword argument 'chunk_size' возникает потому, что параметры chunk_size и chunk_overlap (или их эквиваленты в transformers) не должны передаваться при инициализации пайплайна (т.е. при вызове pipeline(...)), а должны передаваться при вызове пайплайна для обработки аудио.

    Почему это происходит?

    1. Параметры инициализации vs. Параметры вызова:

      • Когда вы создаете пайплайн (pipe = pipeline(...)), вы передаете параметры, которые определяют, как пайплайн будет сконфигурирован (какую модель использовать, какой токенизатор, на каком устройстве и т.д.).
      • Когда вы используете пайплайн (pipe(audio_data, ...)), вы передаете параметры, которые влияют на выполнение конкретной задачи (например, как обрабатывать длинные аудиофайлы, нужно ли возвращать метки времени, размер батча и т.д.).
    2. _sanitize_parameters(): Метод _sanitize_parameters() вызывается внутри пайплайна для проверки и подготовки параметров, переданных во время инициализации. Он ожидает определенный набор параметров для конфигурирования пайплайна. chunk_size и chunk_overlap не входят в этот набор, так как они относятся к логике выполнения, а не к созданию самого пайплайна. Поэтому он выбрасывает ошибку, когда видит незнакомый аргумент.

    Как правильно использовать chunk_size и chunk_overlap с Whisper в transformers?

    Для Whisper в transformers эти параметры называются chunk_length_s и stride_length_s (для перекрытия).

    Неправильно (вызывает ошибку):

    from transformers import pipeline
    
    # ЭТО НЕПРАВИЛЬНО:
    # pipe = pipeline(
    #     "automatic-speech-recognition",
    #     model="openai/whisper-small",
    #     chunk_size=30,         # <-- Неправильное место для этого параметра
    #     chunk_overlap=4        # <-- Неправильное место для этого параметра
    # )
    

    Правильно:

    1. Инициализируйте пайплайн без этих параметров:

      from transformers import pipeline
      import torch
      
      # Инициализация пайплайна
      # Вы можете указать device здесь, если хотите использовать GPU
      device = "cuda:0" if torch.cuda.is_available() else "cpu"
      pipe = pipeline(
          "automatic-speech-recognition",
          model="openai/whisper-small",
          chunk_length_s=30, # <-- Это НЕПРАВИЛЬНО ТУТ в последних версиях!
                             # Однако, в очень старых версиях transformers,
                             # иногда были попытки передавать сюда параметры.
                             # Но верный способ - при вызове!
          device=device
      )
      
      # ОБНОВЛЕНИЕ: В версии 4.53.2, pipe = pipeline(...) принимает
      # model, tokenizer, feature_extractor, device, trust_remote_code и т.д.
      # Параметры chunk_length_s и stride_length_s НЕ ДОЛЖНЫ быть здесь.
      # Ваш текущий код вызывает ошибку именно из-за передачи их сюда.
      
      # Корректная инициализация:
      pipe = pipeline(
          "automatic-speech-recognition",
          model="openai/whisper-small",
          device=device
      )
      
    2. Передайте параметры chunk_length_s и stride_length_s при вызове пайплайна:

      • chunk_length_s: Длина каждого обрабатываемого фрагмента в секундах.
      • stride_length_s: Длина перекрытия в секундах. Обычно задается как кортеж (начало, конец) перекрытия. Например, (4, 4) означает 4 секунды перекрытия в начале и 4 секунды в конце каждого фрагмента.
      # Пример использования с аудиофайлом
      audio_file = "your_long_audio_file.wav"
      
      # Вызов пайплайна с параметрами chunking
      result = pipe(
          audio_file,
          chunk_length_s=30,       # Разбивать аудио на фрагменты по 30 секунд
          stride_length_s=(4, 4),  # Перекрытие в 4 секунды (в начале и конце каждого фрагмента)
          return_timestamps=True,  # (Опционально) Возвращать метки времени
          batch_size=8             # (Опционально) Можно также указать размер батча для обработки
      )
      
      print(result)
      

    Резюме для вашей версии transformers 4.53.2:

    Ваша ошибка AutomaticSpeechRecognitionPipeline._sanitize_parameters() got an unexpected keyword argument 'chunk_size' однозначно указывает на то, что вы передаете chunk_size (и, вероятно, chunk_overlap) прямо в конструктор pipeline(). Удалите эти параметры из конструктора pipeline() и передавайте их в качестве аргументов при вызове pipe(...). Используйте chunk_length_s и stride_length_s вместо chunk_size и chunk_overlap.

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.