/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Библиотека
transformers
Опубликована
9 июл 2024

cool-whisper-hf

Распознавание речиАудио → текст

Cool-whisper — дистиллированная модель Whisper для распознавания китайско-английской речи с переключением языков, ориентированная на пользователей на Тайване.

14скачиваний за 30 дней6лайковвеса обновлены18 июл 2024

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

Cool-whisper — модель распознавания речи, разработанная Liang-Hsuan Tseng, Zih-Ching Chen, Wei-Shun Chang, Cheng-Kuang Lee, Tsung-Ren Huang и Hung-yi Lee. Она предназначена для распознавания китайско-английской речи с переключением языков, особенно в тайваньском контексте. Модель дистиллирована из Whisper с использованием знаний Whisper-large-v2 и Whisper-base; для обучения использовали 60 000 часов неразмеченного аудио.

Репозиторий содержит веса в формате safetensors и поддержку использования через Transformers. В README также упомянуто развёртывание в формате CTranslate2 для ускоренного распознавания с faster-whisper. Лицензия — CC BY-NC-SA 4.0, допускающая использование на условиях атрибуции, распространения производных работ на тех же условиях и некоммерческого применения. Авторы сообщают о временном снятии модели с публикации по соображениям приватности и безопасности.

Сценарии применения

  • транскрибация тайваньской речи с переключением между китайским и английским
  • распознавание китайской речи с вкраплениями английских слов
  • создание субтитров для китайско-английских аудиозаписей
  • ускоренная транскрибация через faster-whisper

Ограничения

Модель ориентирована прежде всего на китайско-английскую речь с переключением языков в тайваньском контексте, поэтому её пригодность для других языков и вариантов речи не установлена. Авторы сообщают о временном снятии модели с публикации.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Cool-Whisper

Leave No Knowledge Behind During Knowledge Distillation: Towards Practical and Effective Knowledge Distillation for Code-Switching ASR Using Realistic Data

Liang-Hsuan Tseng, Zih-Ching Chen, Wei-Shun Chang, Cheng-Kuang Lee, Tsung-Ren Huang, Hung-yi Lee

arXiv Open In Colab

⚠️ Due to privacy and security concerns, this model will be temporarily taken offline. We are sorry for the inconvenience.

⚠️ 因為隱私安全疑慮,本模型將暫時下架。非常抱歉造成大家困擾。

Introduction

  • Cool-whisper is a distilled version of Whisper, mainly focused on Mandarin-English code-switching ASR for people in Taiwan.
  • We use 60,000 hours of unlabeled audio to train the model.
  • Practically, we utilize knowledge not only from the large model (Whisper-large-v2) but also from the small model (Whisper-base).

Basic Usage

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset

device = f"cuda" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "andybi7676/cool-whisper-hf"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, use_safetensors=True
)
processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    max_new_tokens=256,
    return_timestamps=True,
    torch_dtype=torch_dtype,
    device=device,
)

dataset = load_dataset("andybi7676/ntuml2021_long", "default", split="test")
sample = dataset[0]["audio"]
# or your own audio path
# sample = "/your/path/to/audio.wav"

result = pipe(sample)
print("Basic Result: ")
print(result["text"])
# result with timestamps
print("\nResult with timestamps: ")
for chunk in result['chunks']:
  print(chunk)

Faster-Whisper Support

Faster-Whisper is a commonly used tool to accelerate the transcription generation speed based on CTranslate2. We also deploy our model in the form of CTranslate2 to allow using it in faster-whisper. Please visit cool-whisper for more details.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
c048343

0 моделей