/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Опубликована
16 авг 2024

whisper-small-xhosa

Распознавание речиАудио → текст4 профессии

Дообученная Whisper-small для транскрибирования речи на isiXhosa.

175скачиваний за 30 дней2лайкавеса обновлены18 авг 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

TheirStory/whisper-small-xhosa — дообученная модель OpenAI Whisper-small для автоматического распознавания речи на языке isiXhosa. Она предназначена для транскрибирования аудиозаписей на isiXhosa; архитектура основана на Whisper, число параметров — 153,1 млн. Модель обучалась на корпусе NCHLT isiXhosa Speech Corpus объёмом около 56 часов: это короткие прочитанные вслух фразы, записанные на смартфон вне студии; в корпусе участвовали 209 дикторов.

В README приведён показатель WER 29,73%. Он отражает качество на оценке автора, но сам по себе не гарантирует такую же точность на других типах речи и условиях записи. Модель распространяется по лицензии Apache-2.0; корпус обучения указан под лицензией CC BY 3.0.

Сценарии применения

  • транскрибирование коротких фраз на isiXhosa
  • распознавание речи isiXhosa в смартфонных записях
  • преобразование аудиозаписей isiXhosa в текст

Ограничения

Оценка WER 29,73% приведена в README; точность на других типах речи и условиях записи может отличаться. Обучающий корпус состоит преимущественно из коротких прочитанных фраз, записанных на смартфон вне студии.

Для каких профессий подходит4

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-Small Fine-tuned for isiXhosa ASR

Model Description

This model is a fine-tuned version of OpenAI's Whisper-small, optimized for isiXhosa Automatic Speech Recognition (ASR). It has been trained on the NCHLT isiXhosa Speech Corpus to improve its performance on isiXhosa speech transcription tasks.

Performance

  • Word Error Rate (WER): 29.73%

Base Model

  • Name: openai/whisper-small
  • Type: Automatic Speech Recognition (ASR)
  • Original language: Multilingual

Usage

To use this model for inference:

from transformers import WhisperForConditionalGeneration, WhisperProcessor
import torch

# Load model and processor
model = WhisperForConditionalGeneration.from_pretrained("TheirStory-Inc/whisper-small-xhosa")
processor = WhisperProcessor.from_pretrained("TheirStory-Inc/whisper-small-xhosa")

# Prepare your audio file (16kHz sampling rate)
audio_input = ...  # Load your audio file here

# Process the audio
input_features = processor(audio_input, sampling_rate=16000, return_tensors="pt").input_features

# Generate token ids
predicted_ids = model.generate(input_features)

# Decode the token ids to text
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)

print(transcription)

Fine-tuning Dataset

  • Name: NCHLT isiXhosa Speech Corpus
  • Size: Approximately 56 hours of transcribed speech
  • Speakers: 209 (106 female, 103 male)
  • Content: Prompted speech (3-5 word utterances read from a smartphone screen)
  • Source: Audio recordings smartphone-collected in non-studio environment
  • License: Creative Commons Attribution 3.0 Unported License (CC BY 3.0)

Citation

De Vries, N.J., Davel, M.H., Badenhorst, J., Basson, W.D., de Wet, F., Barnard, E. and de Waal, A. (2014). A smartphone-based ASR data collection tool for under-resourced languages. Speech Communication, 56, 119-131. https://hdl.handle.net/20.500.12185/279

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
a882096

0 моделей