import torch
from transformers import WhisperForConditionalGeneration, WhisperProcessor, WhisperTokenizer,WhisperFeatureExtractor
import soundfile as sf
model="ARTPARK-IISc/whisper-medium-vaani-kannada"
# Load tokenizer and feature extractor individually
feature_extractor = WhisperFeatureExtractor.from_pretrained(model)
tokenizer = WhisperTokenizer.from_pretrained("openai/whisper-medium", language="Kannada", task="transcribe")
# Create the processor manually
processor = WhisperProcessor(feature_extractor=feature_extractor, tokenizer=tokenizer)
# Load and preprocess the audio file
audio_file_path = "Sample_Audio.wav" # replace with your audio file path
device = "cuda" if torch.cuda.is_available() else "cpu"
# Load the processor and model
model = WhisperForConditionalGeneration.from_pretrained(model).to(device)
# load audio
audio_data, sample_rate = sf.read(audio_file_path)
# Ensure the audio is 16kHz (Whisper expects 16kHz audio)
if sample_rate != 16000:
import torchaudio
resampler = torchaudio.transforms.Resample(orig_freq=sample_rate, new_freq=16000)
audio_data = resampler(torch.tensor(audio_data).unsqueeze(0)).squeeze().numpy()
# Use the processor to prepare the input features
input_features = processor(audio_data, sampling_rate=16000, return_tensors="pt").input_features.to(device)
# Generate transcription (disable gradient calculation during inference)
with torch.no_grad():
predicted_ids = model.generate(input_features)
# Decode the generated IDs into human-readable text
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]
print(transcription)
Характеристики
- Контекст
- 448 токенов
- Параметры
- 456 млн
- Лицензия
- MIT
- Архитектура
- whisper · dense
- Базовая модель
- whisper-medium
- Опубликована
- 1 дек 2024
Ссылки
whisper-medium-vaani-kannada
Дообученная на данных Vaani модель Whisper Medium для распознавания речи на каннада и преобразования её в текст.
Бенчмарки
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Тесты пользователейпока нет
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Добавьте модель в бенчмарк
Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
Публичные оценки
Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.
В подключённых источниках результатов для этой модели пока нет.
Что умеет модель
Описание составлено по карточке модели и метаданным Hugging Face
Whisper Medium Vaani Kannada — модель распознавания речи, дообученная ARTPARK-IISc на базе openai/whisper-medium с использованием датасета ARTPARK-IISc/Vaani. Модель предназначена для преобразования аудиозаписей на каннада в текст.
Модель построена на архитектуре Whisper и содержит 455,8 млн параметров. Она принимает аудио и выдаёт текст; в карточке указана поддержка задачи automatic-speech-recognition и тег языка kn. Модель опубликована в формате safetensors под лицензией MIT.
Сценарии применения
- расшифровка аудиозаписей на каннада
- транскрибирование речи на каннада
- создание текстовых субтитров для речи на каннада
Ограничения
Качество распознавания зависит от качества записи и соответствия аудио каннада; метрики качества и подробные ограничения в предоставленных данных не описаны.
Для каких профессий подходит6
Разделы каталога профессий, в задачах которых используется эта модель
Также подходит для
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…
- Класс архитектуры
- WhisperForConditionalGeneration
- Ревизия весов
- 46afca0