/ Модель

Характеристики

Контекст
1 024 токена
Параметры
456 млн
Лицензия
MIT
Архитектура
whisper · dense
Базовая модель
whisper-medium
Библиотека
transformers
Опубликована
16 дек 2024

ViWhisper-medium

Распознавание речиАудио → текст8 профессий

Дообученная на вьетнамских данных модель Whisper medium для преобразования речи в текст.

15скачиваний за 30 дней6лайковвеса обновлены27 апр 2025

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

NhutP/ViWhisper-medium — модель распознавания вьетнамской речи, созданная авторами репозитория путём дообучения Whisper medium от OpenAI. Она принимает аудио и выдаёт текст; модель доступна через Transformers и подходит для транскрибирования записей и потоков речи. В обучении использовано в общей сложности 1308 часов данных из VSV-1100, Common Voice 14, VIVOS, VLSP2021 и синтетических примеров, созданных системой синтеза речи. Архитектура — WhisperForConditionalGeneration, размер — 455,8 млн параметров.

В карточке приведены результаты WER на нескольких тестовых наборах: от 4,69 на VIVOS до 28,76 на VLSP2020-T2. Эти показатели зависят от набора данных и не гарантируют такого же качества на других записях. Для запуска в примере используется аудио с частотой дискретизации 16 кГц; указана обработка фрагментами до 30 секунд. Модель распространяется по лицензии MIT.

Сценарии применения

  • Транскрибирование записей на вьетнамском языке
  • Распознавание вьетнамской речи в аудиофайлах
  • Подготовка субтитров для вьетнамских видеозаписей
  • Преобразование устной речи на вьетнамском в текст для последующего поиска

Ограничения

Качество различается между тестовыми наборами; на VLSP2020-T2 указана ошибка WER 28,76. Пример использования рассчитан на аудио с частотой дискретизации 16 кГц и обработку фрагментами до 30 секунд.

Для каких профессий подходит8

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

Introduction

Training data

VSV-1100T2S*CMV14-viVIVOSVLSP2021Total
1100 hours11 hours3.04 hours13.94 hours180 hours1308 hours

* We use a text-to-speech model to generate sentences containing words that do not appear in our dataset.

WER result

CMV14-viVIVOSVLSP2020-T1VLSP2020-T2VLSP2021-T1VLSP2021-T2Bud500
8.14.6913.2228.7611.788.285.38

Usage

Inference

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import librosa
# load model and processor
processor = WhisperProcessor.from_pretrained("NhutP/ViWhisper-medium")
model = WhisperForConditionalGeneration.from_pretrained("NhutP/ViWhisper-medium")

prefix_ids = model.generation_config.forced_decoder_ids
model.generation_config.input_ids = prefix_ids
model.generation_config.forced_decoder_ids = None

# load a sample
array, sampling_rate = librosa.load('path_to_audio', sr = 16000) # Load some audio sample
input_features = processor(array, sampling_rate=sampling_rate, return_tensors="pt").input_features 
# generate token ids
predicted_ids = model.generate(input_features)
# decode token ids to text
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)

Use with pipeline

from transformers import pipeline
pipe = pipeline(
    "automatic-speech-recognition",
    model="NhutP/ViWhisper-medium",
    max_new_tokens=128,
    chunk_length_s=30,
    return_timestamps=False,
    device= '...' # 'cpu' or 'cuda'
) 
output = pipe(path_to_audio_samplingrate_16000)['text']

Citation

@misc{VSV-1100,
    author = {Pham Quang Nhut and Duong Pham Hoang Anh and Nguyen Vinh Tiep},
    title = {VSV-1100: Vietnamese social voice dataset},
    url = {https://github.com/NhutP/VSV-1100},
    year = {2024}
}

Also, please give us a star on github: https://github.com/NhutP/ViWhisper if you find our project useful

Contact me at: 22521061@gm.uit.edu.vn (Pham Quang Nhut)

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
78a8d6b

0 моделей