/ Модель

Характеристики

Контекст
448 токенов
Параметры
51,7 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Опубликована
17 мая 2023

whisper-base-japanese

Распознавание речиАудио → текст5 профессий

Дообученная на японской речи модель Whisper Base для преобразования аудио в текст.

104скачиваний за 30 дней4лайкавеса обновлены8 июн 2023

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

Ivydata/whisper-base-japanese — дообученная модель распознавания речи на базе OpenAI Whisper Base. Разработчик дообучил её на японском языке с использованием Common Voice, JVS и JSUT; модель содержит 51,7 млн параметров и использует архитектуру WhisperForConditionalGeneration в формате PyTorch.

Модель преобразует японскую речь в текст и предназначена для транскрибации аудиозаписей. В README приведён результат оценки на TEDxJP-10K: CER 27,25% для модели Whisper Small, поэтому этот показатель не относится напрямую к данной модели Base. Для входного аудио требуется частота дискретизации 16 кГц.

Лицензия — Apache-2.0. Карточка не сообщает длину контекста или дополнительных ограничений применения.

Сценарии применения

  • транскрибация японских аудиозаписей
  • распознавание японской речи в записях выступлений
  • создание текстовых расшифровок японских подкастов
  • распознавание японской речи при частоте аудио 16 кГц

Ограничения

Входное аудио должно иметь частоту дискретизации 16 кГц. Указанный CER 27,25% в README относится к Whisper Small, а не к этой модели Base.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Fine-tuned Japanese Whisper model for speech recognition using whisper-base

Fine-tuned openai/whisper-base on Japanese using Common Voice, JVS and JSUT. When using this model, make sure that your speech input is sampled at 16kHz.

Usage

The model can be used directly as follows.

from transformers import WhisperForConditionalGeneration, WhisperProcessor
from datasets import load_dataset
import librosa
import torch

LANG_ID = "ja"
MODEL_ID = "Ivydata/whisper-base-japanese"
SAMPLES = 10

test_dataset = load_dataset("common_voice", LANG_ID, split=f"test[:{SAMPLES}]")
processor = WhisperProcessor.from_pretrained("openai/whisper-base")
model = WhisperForConditionalGeneration.from_pretrained(MODEL_ID)
model.config.forced_decoder_ids = processor.get_decoder_prompt_ids(
    language="ja", task="transcribe"
)
model.config.suppress_tokens = []

# Preprocessing the datasets.
# We need to read the audio files as arrays
def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = librosa.load(batch["path"], sr=16_000)
    batch["speech"] = speech_array
    batch["sentence"] = batch["sentence"].upper()
    batch["sampling_rate"] = sampling_rate
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
sample = test_dataset[0]
input_features = processor(sample["speech"], sampling_rate=sample["sampling_rate"], return_tensors="pt").input_features
predicted_ids = model.generate(input_features)

transcription = processor.batch_decode(predicted_ids, skip_special_tokens=False)
# ['<|startoftranscript|><|ja|><|transcribe|><|notimestamps|>木村さんに電話を貸してもらいました。<|endoftext|>']

transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)
# ['木村さんに電話を貸してもらいました。']

Test Result

In the table below I report the Character Error Rate (CER) of the model tested on TEDxJP-10K dataset.

ModelCER
Ivydata/whisper-small-japanese27.25%
Ivydata/wav2vec2-large-xlsr-53-japanese27.87%
jonatasgrosman/wav2vec2-large-xlsr-53-japanese34.18%

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
0d74131

0 моделей