import torch
from transformers import WhisperForConditionalGeneration, WhisperProcessor, WhisperTokenizer,WhisperFeatureExtractor
import soundfile as sf
model="ARTPARK-IISc/whisper-medium-vaani-telugu"
# Load tokenizer and feature extractor individually
feature_extractor = WhisperFeatureExtractor.from_pretrained(model)
tokenizer = WhisperTokenizer.from_pretrained("openai/whisper-medium", language="Telugu", 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-telugu
Дообученная на данных Vaani модель Whisper Medium для распознавания речи на телугу и её транскрибации 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 Telugu — дообученная командой ARTPARK-IISc модель распознавания речи на базе OpenAI Whisper Medium. Она предназначена для автоматической транскрибации речи на телугу в текст; в метаданных указан датасет ARTPARK-IISc/Vaani. Модель имеет архитектуру Whisper с 455,8 млн параметров и принимает аудио, выдавая текст. Поддерживаемый язык — телугу. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.
Сценарии применения
- транскрибация аудиозаписей на телугу
- распознавание речи на телугу
- создание текстовых расшифровок телугуязычных записей
Ограничения
В метаданных указана настройка для телугу; качество на других языках и в шумных условиях не описано.
Для каких профессий подходит9
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
- 03ba1b5