虽然每个任务都有一个关联的pipeline()，但使用通用的抽象的pipeline()更加简单，其中包含所有特定任务的pipelines。pipeline()会自动加载一个默认模型和一个能够进行任务推理的预处理类。让我们以使用pipeline()进行自动语音识别（ASR）或语音转文本为例。
首先，创建一个pipeline()并指定推理任务：
from transformers import pipeline
transcriber = pipeline(task="automatic-speech-recognition")
将您的输入传递给pipeline()。对于语音识别，这通常是一个音频输入文件：
transcriber("https://huggingface.co/datasets/Narsil/asr_dummy/resolve/main/mlk.flac")
{'text': 'I HAVE A DREAM BUT ONE DAY THIS NATION WILL RISE UP LIVE UP THE TRUE MEANING OF ITS TREES'}
您没有得到您期望的结果？可以在Hub上查看一些最受欢迎的自动语音识别模型 ，看看是否可以获得更好的转录。
让我们尝试来自 OpenAI 的Whisper large-v2 模型。Whisperb比Wav2Vec2晚2年发布，使用接近10倍的数据进行了训练。因此，它在大多数下游基准测试上击败了Wav2Vec2。 它还具有预测标点和大小写的附加优势，而Wav2Vec2则无法实现这些功能。
让我们在这里尝试一下，看看它的表现如何：
transcriber = pipeline(model="openai/whisper-large-v2")
transcriber("https://huggingface.co/datasets/Narsil/asr_dummy/resolve/main/mlk.flac")
{'text': ' I have a dream that one day this nation will rise up and live out the true meaning of its creed.'}
现在这个结果看起来更准确了！要进行深入的Wav2Vec2与Whisper比较，请参阅音频变换器课程。 我们鼓励您在 Hub 上查看不同语言的模型，以及专业领域的模型等。您可以在Hub上直接查看并比较模型的结果，以确定是否适合或处理边缘情况是否比其他模型更好。如果您没有找到适用于您的用例的模型，您始终可以训练自己的模型！
如果您有多个输入，您可以将输入作为列表传递：
transcriber(
[
"https://huggingface.co/datasets/Narsil/asr_dummy/resolve/main/mlk.flac",
"https://huggingface.co/datasets/Narsil/asr_dummy/resolve/main/1.flac",
]
)
Pipelines非常适合用于测试，因为从一个模型切换到另一个模型非常琐碎；但是，还有一些方法可以将它们优化后用于大型工作负载而不仅仅是测试。请查看以下指南，深入探讨如何迭代整个数据集或在Web服务器中使用Pipelines：
在数据集上使用流水线
在Web服务器中使用流水线
2.1 参数
pipeline() 支持许多参数；有些是适用于特定任务的，而有些适用于所有pipeline。通常情况下，您可以在任何地方指定对应参数：
transcriber = pipeline(model="openai/whisper-large-v2", my_parameter=1)
out = transcriber(...) # This will use `my_parameter=1`.
out = transcriber(..., my_parameter=2) # This will override and use `my_parameter=2`.
out = transcriber(...) # This will go back to using `my_parameter=1`.
让我们查看其中的三个重要参数：
2.1.1 设备
如果您使用 device=n，pipeline会自动将模型放在指定的设备上。无论您使用PyTorch还是Tensorflow，这都可以工作。
transcriber = pipeline(model="openai/whisper-large-v2", device=0)
如果模型对于单个GPU来说过于庞大，并且您正在使用PyTorch，您可以设置 device_map="auto" 以自动确定如何加载和存储模型权重。使用 device_map 参数需要安装???? Accelerate 软件包：
pip install --upgrade accelerate
以下代码会自动在各个设备上加载和存储模型权重：
transcriber = pipeline(model="openai/whisper-large-v2", device_map="auto")
请注意，如果传递了 device_map=“auto”，在实例化您的 pipeline 时不需要添加 device=device 参数，否则可能会遇到一些意外的状况！
2.1.2 批量大小
默认情况下，pipelines不会进行批量推理，原因在这里详细解释。因为批处理不一定更快，实际上在某些情况下可能会更慢。
但如果在您的用例中起作用，您可以使用：
transcriber = pipeline(model="openai/whisper-large-v2", device=0, batch_size=2)
audio_filenames = [f"https://huggingface.co/datasets/Narsil/asr_dummy/resolve/main/{i}.flac" for i in range(1, 5)]
texts = transcriber(audio_filenames)
以上代码会在提供的4个音频文件上运行pipeline，它会将它们以2个一组的批次传递给模型（模型在GPU上，此时批处理更有可能有所帮助），而您无需编写额外的代码。输出应始终与没有批处理时收到的结果相一致。它只是一种帮助您更快地使用pipeline的方式。
pipeline也可以减轻一些批处理的复杂性，因为对于某些pipeline，需要将单个项目（如长音频文件）分成多个部分以供模型处理。pipeline为您执行这种chunk batching。
2.1.3 任务特定参数
2.2 在数据集上使用pipelines
pipelines也可以对大型数据集进行推理。我们建议使用迭代器来完成这一任务，这是最简单的方法：
def data():
for i in range(1000):
yield f"My example {i}"
pipe = pipeline(model="openai-community/gpt2", device=0)
generated_characters = 0
for out in pipe(data()):
generated_characters += len(out[0]["generated_text"])
迭代器 data() 会产生每个结果，pipelines会自动识别输入为可迭代对象，并在GPU上处理数据的同时开始获取数据（在底层使用DataLoader）。这一点非常重要，因为您不必为整个数据集分配内存，可以尽可能快地将数据传送到GPU。
由于批处理可以加速处理，因此在这里尝试调整 batch_size 参数可能会很有用。
迭代数据集的最简单方法就是从???? Datasets 中加载数据集：
# KeyDataset is a util that will just output the item we're interested in.
from transformers.pipelines.pt_utils import KeyDataset
from datasets import load_dataset
pipe = pipeline(model="hf-internal-testing/tiny-random-wav2vec2", device=0)
dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation[:10]")
for out in pipe(KeyDataset(dataset, "audio")):
print(out)