/ Модель

Характеристики

Параметры
905 млн
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Библиотека
transformers
Опубликована
15 окт 2024

whisper-large-v3-japense-phone_accent

Распознавание речиАудио → текст3 профессии

Модель на базе Whisper large-v3-turbo распознаёт японскую речь и выдаёт катакану с разметкой высотного ударения.

263скачиваний за 30 дней12лайковвеса обновлены15 окт 2024

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.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. 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

AkitoP/whisper-large-v3-japense-phone_accent — модель распознавания японской речи, созданная дообучением Whisper large-v3-turbo. Она преобразует аудио в катакану с разметкой высотного ударения и предназначена для транскрибирования японской речи с указанием произношения. Для обучения использованы часть набора Galgame-Speech и датасет JSUT-5000: сначала тексты преобразовали в катакану с разметкой ударения с помощью pyopenjtalk, затем дообучили модель на исходной обучающей части JSUT-5000.

Модель содержит около 905,2 млн параметров и использует архитектуру Whisper. В README сообщается о CER около 4% на тестовом наборе JSUT-5000; это результат для указанного теста, а не гарантия качества на других данных. Вариант обучения только на первом этапе показал CER 13%. Модель ориентирована на японскую речь и специализированный формат транскрипции. Лицензия в предоставленных данных не указана.

Сценарии применения

  • транскрибирование японской речи в катакану
  • получение разметки высотного ударения из аудио
  • анализ японского произношения и чтений кандзи
  • подготовка транскрипций японской речи для лингвистических исследований

Ограничения

Специализирована на японской речи и транскрипции в катакане с разметкой ударения; результаты на JSUT-5000 не гарантируют аналогичного качества на других источниках и условиях записи. Предоставленные данные не содержат сведений о лицензии.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Whisper Large V3 Japanese Phone Accent

This is a Whisper model designed to transcribe Japanese speech into Katakana with pitch accent annotations. The model is built upon the whisper-large-v3-turbo and has been fine-tuned using a subset (1/20) of the Galgame-Speech dataset, as well as the jsut-5000 dataset.

Training Data:

  • Stage 1: Audio from the Galgame-Speech dataset was used. The text was converted into Katakana sequences with pitch accent annotations using pyopenjtalk.
  • Stage 2: JSUT-5000 dataset, using its original training set with pitch accent annotations. The data was split into 90% for training and 10% for evaluation.

Evaluation Results:

  • The model achieved a CER (Character Error Rate) of approximately 4% on the JSUT-5000 test set, which is an improvement over the 7% CER of pyopenjtalk.
  • Training only with Stage 1 resulted in a CER of 13%, with errors including specific misreadings and misclassification between on'yomi (音読) and kun'yomi (訓読) readings. This was improved in Stage 2.

We are currently seeking Japanese pitch accent annotated datasets. If you have such data, please reach out!

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
743b64d

0 моделей