/ Модель

Характеристики

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

distil-whisper-small-cantonese

Распознавание речиАудио → текст7 профессий

Дистиллированная модель Whisper для быстрой транскрипции аудио на кантонском языке.

46скачиваний за 30 дней9лайковвеса обновлены4 апр 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

alvanlii/distil-whisper-small-cantonese — модель распознавания речи на кантонском языке, созданная как дистиллированная версия alvanlii/whisper-small-cantonese на основе Whisper Small от OpenAI. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и 153,1 млн параметров; в декодере 3 слоя вместо 12 у стандартной Whisper Small. Модель принимает аудио и выдаёт текстовую транскрипцию; в README описан сценарий обработки аудио с частотой дискретизации 16 кГц и чанками до 30 секунд.

Модель рассчитана на транскрибирование кантонской речи, включая данные zh-HK. На тестовом наборе Common Voice 16.0 yue указана CER 9,7% без пунктуации и 11,59% с пунктуацией; авторы также сообщают о меньшем времени инференса по сравнению с Whisper Small. Для работы требуется около 2 ГБ видеопамяти. Модель опубликована в формате safetensors под лицензией Apache-2.0. Метаданные указывают Common Voice 11.0 среди тегов датасетов, тогда как README описывает обучение на CantoMap, Cantonese-ASR и Common Voice и оценку на Common Voice 16.0.

Сценарии применения

  • транскрибирование кантонской речи из аудиозаписей
  • распознавание речи в записях на кантонском диалекте Гонконга
  • создание текстовых субтитров для кантонских аудио и видео
  • автоматическая расшифровка кантонских интервью и разговоров

Ограничения

Модель специализирована на кантонской речи и не предназначена для широкого набора языков; качество зависит от условий записи и может отличаться от указанного результата на Common Voice. Для инференса требуется около 2 ГБ видеопамяти.

Для каких профессий подходит7

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

Distil-Whisper Small zh-HK - Alvin

  • This model is a distilled version of alvanlii/whisper-small-cantonese on the Cantonese language.
  • Achieves a 9.7 CER (without punctuations), 11.59 CER (with punctuations) on Common Voice 16.0.
  • Has 3 decoder layers instead of regular 12 of the Whisper small model.
  • Uses ~2GB of GPU VRAM

Training and evaluation data

For training,

  • CantoMap: Winterstein, Grégoire, Tang, Carmen and Lai, Regine (2020) "CantoMap: a Hong Kong Cantonese MapTask Corpus", in Proceedings of The 12th Language Resources and Evaluation Conference, Marseille: European Language Resources Association, p. 2899-2906.
  • Cantonse-ASR: Yu, Tiezheng, Frieske, Rita, Xu, Peng, Cahyawijaya, Samuel, Yiu, Cheuk Tung, Lovenia, Holy, Dai, Wenliang, Barezi, Elham, Chen, Qifeng, Ma, Xiaojuan, Shi, Bertram, Fung, Pascale (2022) "Automatic Speech Recognition Datasets in Cantonese: A Survey and New Dataset", 2022. Link: https://arxiv.org/pdf/2201.02419.pdf
  • Common Voice yue and zh-HK train sets

For evaluation, Common Voice 16.0 yue Test set is used.

Comparisons to Whisper Small

alvanlii/distil-whisper-small-cantonesealvanlii/whisper-small-cantonese
CER (lower is better)0.0970.089
GPU Inference time (sdpa) [s/sample]0.0270.055
GPU Inference (regular) [s/sample]0.0270.308
CPU Inference [s/sample]1.32.57
Params [M]157242

Note: inference time is calculated by taking the average inference time for the CV16 yue test set

Using the Model

import librosa

import torch
from transformers import WhisperForConditionalGeneration, WhisperProcessor

y, sr = librosa.load('audio.mp3', sr=16000)

MODEL_NAME = "alvanlii/distil-whisper-small-cantonese"

processor = WhisperProcessor.from_pretrained(MODEL_NAME)
model = WhisperForConditionalGeneration.from_pretrained(MODEL_NAME)

model.config.forced_decoder_ids = None
model.config.suppress_tokens = []
model.config.use_cache = False

processed_in = processor(y, sampling_rate=sr, return_tensors="pt")
gout = model.generate(
  input_features=processed_in.input_features, 
  output_scores=True, return_dict_in_generate=True
)
transcription = processor.batch_decode(gout.sequences, skip_special_tokens=True)[0]
print(transcription)
  • Alternatively, you can use huggingface pipelines
from transformers import pipeline
MODEL_NAME = "alvanlii/distil-whisper-small-cantonese" 
lang = "zh"
pipe = pipeline(
    task="automatic-speech-recognition",
    model=MODEL_NAME,
    chunk_length_s=30,
    device=device,
)
pipe.model.config.forced_decoder_ids = pipe.tokenizer.get_decoder_prompt_ids(language=lang, task="transcribe")
text = pipe(file)["text"]

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
7ed9984

0 моделей