/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Опубликована
27 дек 2024

Ichigo-whisper-v0.1

Распознавание речиАудио, текст → текст

Компактный токенизатор речи Homebrew Research, преобразующий английскую и вьетнамскую речь в дискретные токены для обработки языковыми моделями.

0скачиваний за 30 дней27лайковвеса обновлены3 янв 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Ichigo Whisper — компактный речевой токенизатор Homebrew Research на архитектуре WhisperVQ, связанный с Whisper-medium и семейством Ichigo v0.5. Модель содержит 22 млн параметров и преобразует аудио в дискретные речевые токены, пригодные для работы с большими языковыми моделями. Для инференса предусмотрен запуск на входном аудиофайле.

Модель предназначена для улучшения обработки речи, в том числе низкоресурсных языков, с акцентом на вьетнамский при сохранении возможностей для английского. Обучение включало около 400 часов английских и 1000 часов вьетнамских данных. В приведённой оценке WER составил 11,68 для вьетнамского и 11,89 для английского; это результаты на указанных тестовых наборах, а не гарантия качества для других данных. Лицензия CC-BY-NC-SA-4.0 требует указания авторства, распространения производных работ на тех же условиях и запрещает коммерческое использование.

Сценарии применения

  • преобразование английской речи в дискретные токены
  • преобразование вьетнамской речи в дискретные токены
  • подготовка аудио для понимания речи большой языковой моделью
  • эксперименты с обработкой речи на низкоресурсных языках

Ограничения

Модель предназначена прежде всего для исследовательского применения; приведённые оценки ограничены тестами viVoice и LibriTTS-R. Лицензия запрещает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

image/png

Ichigo Whisper

Ichigo Whisper is a compact (22M parameters), open-source speech tokenizer for the Whisper-medium model, designed to enhance performance on multilingual with minimal impact on its original English capabilities. Unlike models that output continuous embeddings, Ichigo Whisper compresses speech into discrete tokens, making it more compatible with large language models (LLMs) for immediate speech understanding.

This speech tokenizer has been trained on over ~400 hours of English data and ~1000 hours of Vietnamese data.

Ichigo Whisper is a key component of the Ichigo v0.5 family.

For more details, please refer to our official blog post.

Model Summary

Developed by: Homebrew Research.

Model Architecture: WhisperVQ

Model type: Quantizer of Whisper

Language(s): English and Vietnamese

License: CC-BY-NC-SA-4.0

Resources

Demo: Ichigo Whisper demo

Blog: Blog post

Intended Use

Intended Use Cases This model is primarily intended for research applications. This version aims to further improve the Whisper on sound low-resource languages.

Out-of-scope The use of Ichigo Whisper in any manner that violates applicable laws or regulations is strictly prohibited.

How to Get Started

For inference, please refer to the official Ichigo Whisper repository.

python demo/inference.py --input path/to/your/audio.wav

Training Specs

Hardware Specifications

ComponentDetails
GPUs8 × NVIDIA A6000

Training Time

PhaseDuration
Phase 175 hours (50 epochs)
Phase 229 hours (20 epochs)
Total Training104 hours

Phase 1: With KL Loss

ParameterValue
Initialization MethodWhisperVQ-Large-v3 (7 languages) embeddings with duplication
Epochs50
Global Batch Size336
Learning Rate1e-3
Learning SchedulerLinear warm-up with Cosine decay
OptimizerAdamW
Warmup Ratio500
Weight Decay0.001
Max Audio Length30 seconds (padded audio)

Phase 2: Without KL Loss

ParameterValue
Initialization MethodPhase 1 checkpoint
Epochs20
Global Batch Size336
Learning Rate1e-3
Learning SchedulerLinear warm-up with Cosine decay
OptimizerAdamW
Warmup Ratio500
Weight Decay0.001
Max Audio Length30 seconds (padded audio)

Evaluation

  1. Vietnamese
Model NameCodebook SizeDataset testTest samplesWER
IchigoWhisper2561viVoice1000011.68
Whisper Medium-viVoice1000018.30
  1. English
Model NameCodebook SizeDataset testTest samplesWER
IchigoWhisper2561LibriTTS-R468911.89
Whisper Medium-LibriTTS-R468913.06

Citation Information

BibTeX:

@article{IchigoWhisper 2024,
  title={IchigoWhisper},
  author={Homebrew Research},
  year=2024,
  month=December},
  url={https://huggingface.co/homebrewltd/Ichigo-whisper}

Acknowledgement

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
0df8a94

0 моделей