Spaces:
Sleeping
Sleeping
File size: 25,525 Bytes
5554ef1 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 |
# System Architecture
## Overview
Whisper German ASR is a modular, production-ready speech recognition system with multiple deployment options.
---
## High-Level Architecture
```
┌─────────────────────────────────────────────────────────────┐
│ User Interfaces │
├─────────────────────────────────────────────────────────────┤
│ Web Browser │ Mobile App │ CLI │ API Clients │
└────────┬──────┴──────┬───────┴───┬───┴──────┬───────────────┘
│ │ │ │
▼ ▼ ▼ ▼
┌─────────────┐ ┌──────────┐ ┌─────┐ ┌──────────┐
│ Gradio │ │ Custom │ │ CLI │ │ REST API │
│ Demo │ │ UI │ │ │ │ Client │
└──────┬──────┘ └─────┬────┘ └──┬──┘ └────┬─────┘
│ │ │ │
└───────────────┴───────────┴──────────┘
│
▼
┌─────────────────────────────┐
│ FastAPI Application │
│ ┌───────────────────────┐ │
│ │ /transcribe endpoint │ │
│ │ /health endpoint │ │
│ │ /docs endpoint │ │
│ └───────────────────────┘ │
└──────────────┬──────────────┘
│
▼
┌─────────────────────────────┐
│ Whisper Model Pipeline │
│ ┌───────────────────────┐ │
│ │ 1. Audio Processing │ │
│ │ - Load audio │ │
│ │ - Resample 16kHz │ │
│ │ - Convert to mono │ │
│ ├───────────────────────┤ │
│ │ 2. Feature Extraction │ │
│ │ - Mel spectrogram │ │
│ │ - Normalization │ │
│ ├───────────────────────┤ │
│ │ 3. Model Inference │ │
│ │ - Encoder │ │
│ │ - Decoder │ │
│ │ - Beam search │ │
│ ├───────────────────────┤ │
│ │ 4. Post-processing │ │
│ │ - Token decoding │ │
│ │ - Text formatting │ │
│ └───────────────────────┘ │
└──────────────┬──────────────┘
│
▼
┌─────────────────────────────┐
│ Response/Output │
│ German Transcription │
└─────────────────────────────┘
```
---
## Component Details
### 1. User Interfaces
#### Gradio Demo (`demo/app.py`)
```
┌─────────────────────────────────┐
│ Gradio Interface │
├─────────────────────────────────┤
│ ┌──────────────────────────┐ │
│ │ Audio Input │ │
│ │ - Microphone │ │
│ │ - File Upload │ │
│ └──────────────────────────┘ │
│ ┌──────────────────────────┐ │
│ │ Transcribe Button │ │
│ └──────────────────────────┘ │
│ ┌──────────────────────────┐ │
│ │ Output Display │ │
│ │ - Transcription │ │
│ │ - Duration │ │
│ └──────────────────────────┘ │
└─────────────────────────────────┘
```
#### REST API (`api/main.py`)
```
┌─────────────────────────────────┐
│ FastAPI Server │
├─────────────────────────────────┤
│ Endpoints: │
│ ┌──────────────────────────┐ │
│ │ POST /transcribe │ │
│ │ - Upload audio file │ │
│ │ - Returns JSON │ │
│ └──────────────────────────┘ │
│ ┌──────────────────────────┐ │
│ │ GET /health │ │
│ │ - Model status │ │
│ │ - Device info │ │
│ └──────────────────────────┘ │
│ ┌──────────────────────────┐ │
│ │ GET /docs │ │
│ │ - Swagger UI │ │
│ │ - API documentation │ │
│ └──────────────────────────┘ │
└─────────────────────────────────┘
```
### 2. Processing Pipeline
```
Audio Input
│
▼
┌─────────────────┐
│ Audio Loading │ librosa.load()
│ - Load file │ sr=16000, mono=True
│ - Resample │
└────────┬────────┘
│
▼
┌─────────────────┐
│ Preprocessing │ WhisperProcessor
│ - Mel spectro │ 80 channels
│ - Normalization │ 3000 frames (30s)
└────────┬────────┘
│
▼
┌─────────────────┐
│ Model Inference │ WhisperForConditionalGeneration
│ - Encoder │ 6 layers
│ - Decoder │ 6 layers
│ - Generation │ Beam search (size=5)
└────────┬────────┘
│
▼
┌─────────────────┐
│ Decoding │ processor.batch_decode()
│ - Token→Text │ skip_special_tokens=True
│ - Formatting │
└────────┬────────┘
│
▼
German Transcription
```
### 3. Model Architecture
```
┌─────────────────────────────────────────────────┐
│ Whisper-small Architecture │
├─────────────────────────────────────────────────┤
│ │
│ Input: 80-channel Mel Spectrogram │
│ (80 x 3000 = 30 seconds) │
│ │
│ ┌───────────────────────────────────────┐ │
│ │ Encoder (6 layers) │ │
│ │ ┌─────────────────────────────────┐ │ │
│ │ │ Conv1D → Conv1D → Positional │ │ │
│ │ │ Embedding → Transformer Blocks │ │ │
│ │ └─────────────────────────────────┘ │ │
│ │ Output: 384-dim embeddings │ │
│ └──────────────────┬────────────────────┘ │
│ │ │
│ ▼ │
│ ┌───────────────────────────────────────┐ │
│ │ Decoder (6 layers) │ │
│ │ ┌─────────────────────────────────┐ │ │
│ │ │ Token Embedding → Positional │ │ │
│ │ │ Embedding → Transformer Blocks │ │ │
│ │ │ → Cross-Attention → Output │ │ │
│ │ └─────────────────────────────────┘ │ │
│ │ Output: Token probabilities │ │
│ └───────────────────────────────────────┘ │
│ │
│ Parameters: 242M │
│ Language: German (de) │
│ Task: Transcribe │
└─────────────────────────────────────────────────┘
```
---
## Deployment Architectures
### Local Development
```
┌──────────────────────────────┐
│ Developer Machine │
│ ┌────────────────────────┐ │
│ │ Python Environment │ │
│ │ - FastAPI/Gradio │ │
│ │ - Whisper Model │ │
│ │ - Dependencies │ │
│ └────────────────────────┘ │
│ Ports: 8000 (API) │
│ 7860 (Demo) │
└──────────────────────────────┘
```
### Docker Deployment
```
┌─────────────────────────────────────┐
│ Docker Host │
│ ┌───────────────────────────────┐ │
│ │ Container: whisper-api │ │
│ │ - FastAPI │ │
│ │ - Port 8000 │ │
│ └───────────────────────────────┘ │
│ ┌───────────────────────────────┐ │
│ │ Container: whisper-demo │ │
│ │ - Gradio │ │
│ │ - Port 7860 │ │
│ └───────────────────────────────┘ │
│ ┌───────────────────────────────┐ │
│ │ Volume: whisper_test_tuned │ │
│ │ - Shared model files │ │
│ └───────────────────────────────┘ │
└─────────────────────────────────────┘
```
### Cloud Deployment (AWS)
```
┌─────────────────────────────────────────────────┐
│ AWS Cloud │
│ ┌───────────────────────────────────────────┐ │
│ │ Application Load Balancer │ │
│ │ - HTTPS (443) │ │
│ │ - Health checks │ │
│ └──────────────┬────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌───────────────────────────────────────────┐ │
│ │ ECS Fargate Service │ │
│ │ ┌─────────────────────────────────────┐ │ │
│ │ │ Task 1: whisper-asr │ │ │
│ │ │ - 1 vCPU, 2GB RAM │ │ │
│ │ │ - Container: API │ │ │
│ │ └─────────────────────────────────────┘ │ │
│ │ ┌─────────────────────────────────────┐ │ │
│ │ │ Task 2: whisper-asr │ │ │
│ │ │ - Auto-scaling (2-10 tasks) │ │ │
│ │ └─────────────────────────────────────┘ │ │
│ └───────────────────────────────────────────┘ │
│ ┌───────────────────────────────────────────┐ │
│ │ S3 Bucket │ │
│ │ - Model files │ │
│ │ - Static assets │ │
│ └───────────────────────────────────────────┘ │
│ ┌───────────────────────────────────────────┐ │
│ │ CloudWatch │ │
│ │ - Logs │ │
│ │ - Metrics │ │
│ │ - Alarms │ │
│ └───────────────────────────────────────────┘ │
└─────────────────────────────────────────────────┘
```
### HuggingFace Spaces
```
┌─────────────────────────────────────┐
│ HuggingFace Spaces │
│ ┌───────────────────────────────┐ │
│ │ Gradio Space │ │
│ │ - app.py │ │
│ │ - requirements.txt │ │
│ │ - README.md │ │
│ └───────────────────────────────┘ │
│ ┌───────────────────────────────┐ │
│ │ Model from HF Hub │ │
│ │ - YOUR_USER/whisper-de │ │
│ │ - Auto-loaded │ │
│ └───────────────────────────────┘ │
│ ┌───────────────────────────────┐ │
│ │ Hardware │ │
│ │ - CPU Basic (free) │ │
│ │ - GPU T4 (paid) │ │
│ └───────────────────────────────┘ │
│ Public URL: https://hf.co/spaces/ │
│ YOUR_USER/whisper-de │
└─────────────────────────────────────┘
```
---
## Data Flow
### Transcription Request Flow
```
1. User uploads audio
│
▼
2. API receives file
│
▼
3. Load audio with librosa
- Decode format (mp3/wav/etc)
- Resample to 16kHz
- Convert to mono
│
▼
4. WhisperProcessor
- Compute mel spectrogram
- Normalize features
- Pad/truncate to 30s
│
▼
5. Model.generate()
- Encoder: audio → embeddings
- Decoder: embeddings → tokens
- Beam search for best sequence
│
▼
6. Processor.decode()
- Tokens → text
- Remove special tokens
- Format output
│
▼
7. Return JSON response
{
"transcription": "...",
"duration": 2.5,
"language": "de"
}
```
---
## Technology Stack
```
┌─────────────────────────────────────┐
│ Frontend/Interface │
├─────────────────────────────────────┤
│ - Gradio 4.0+ │
│ - HTML/CSS/JavaScript │
│ - Swagger UI (FastAPI) │
└─────────────────────────────────────┘
┌─────────────────────────────────────┐
│ Backend/API │
├─────────────────────────────────────┤
│ - FastAPI 0.104+ │
│ - Uvicorn (ASGI server) │
│ - Pydantic (validation) │
└─────────────────────────────────────┘
┌─────────────────────────────────────┐
│ ML Framework │
├─────────────────────────────────────┤
│ - PyTorch 2.2+ │
│ - Transformers 4.42+ │
│ - Datasets 2.19+ │
└─────────────────────────────────────┘
┌─────────────────────────────────────┐
│ Audio Processing │
├─────────────────────────────────────┤
│ - Librosa 0.10+ │
│ - SoundFile 0.12+ │
│ - FFmpeg (system) │
└─────────────────────────────────────┘
┌─────────────────────────────────────┐
│ Evaluation │
├─────────────────────────────────────┤
│ - jiwer 4.0+ (WER/CER) │
│ - NumPy 1.24+ │
└─────────────────────────────────────┘
┌─────────────────────────────────────┐
│ Deployment/DevOps │
├─────────────────────────────────────┤
│ - Docker │
│ - Docker Compose │
│ - GitHub Actions │
└─────────────────────────────────────┘
```
---
## Performance Characteristics
### Latency
```
Component Time
─────────────────────────────────
Audio Loading 50-100ms
Feature Extraction 100-200ms
Model Inference (CPU) 1-3s
Model Inference (GPU) 200-500ms
Post-processing 10-50ms
─────────────────────────────────
Total (CPU) 1.2-3.4s
Total (GPU) 360-850ms
```
### Throughput
```
Hardware Samples/sec
────────────────────────────
CPU (4 cores) 0.3-0.5
GPU (T4) 2-5
GPU (A100) 10-20
```
### Resource Usage
```
Component CPU Memory GPU Memory
─────────────────────────────────────────
Model Loading - 1.5GB 1GB
Inference 100% 2GB 1.5GB
API Server 10% 200MB -
Gradio Demo 5% 100MB -
```
---
## Security Architecture
```
┌─────────────────────────────────────┐
│ Security Layers │
├─────────────────────────────────────┤
│ 1. Network Layer │
│ - HTTPS/TLS │
│ - CORS policies │
│ - Rate limiting │
│ │
│ 2. Application Layer │
│ - Input validation │
│ - File type checking │
│ - Size limits │
│ - Error handling │
│ │
│ 3. Authentication (optional) │
│ - API keys │
│ - OAuth2 │
│ - JWT tokens │
│ │
│ 4. Infrastructure │
│ - Container isolation │
│ - Resource limits │
│ - Secrets management │
└─────────────────────────────────────┘
```
---
## Monitoring & Observability
```
┌─────────────────────────────────────┐
│ Monitoring Stack │
├─────────────────────────────────────┤
│ Logs │
│ - Application logs (Python) │
│ - Access logs (Uvicorn) │
│ - Error logs │
│ │
│ Metrics │
│ - Request count │
│ - Latency (p50, p95, p99) │
│ - Error rate │
│ - Model inference time │
│ - Resource usage (CPU/RAM/GPU) │
│ │
│ Health Checks │
│ - /health endpoint │
│ - Model loaded status │
│ - Device availability │
│ │
│ Tools │
│ - TensorBoard (training) │
│ - CloudWatch/Stackdriver (cloud) │
│ - Prometheus + Grafana (optional) │
└─────────────────────────────────────┘
```
---
This architecture provides:
- ✅ Modularity and separation of concerns
- ✅ Scalability (horizontal and vertical)
- ✅ Multiple deployment options
- ✅ Production-ready monitoring
- ✅ Security best practices
- ✅ High availability potential
|