/ Модель

Характеристики

Контекст
1 024 токена
Параметры
456 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-medium
Опубликована
7 дек 2022

whisper-medium-id

Распознавание речиАудио → текст9 профессий

Дообученная версия Whisper Medium для расшифровки индонезийской речи в текст.

1 400скачиваний за 30 дней26лайковвеса обновлены22 мая 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

cahya/whisper-medium-id — модель распознавания речи на индонезийском языке, созданная дообучением openai/whisper-medium на датасетах Common Voice 11, MagicData, TITML и Google Fleurs. Она использует архитектуру Whisper и содержит 455,8 млн параметров; для работы доступна в формате PyTorch через Transformers.

Модель предназначена для преобразования индонезийской речи в текст. В карточке приведён пример транскрибации аудиофайла с настройкой языка распознавания. На тестовых выборках указана частота ошибок слов (WER) 3,83 на Common Voice 11 и 9,74 на Google Fleurs; на Common Voice результат базовой Whisper Medium в той же оценке составил 12,62.

Модель распространяется по лицензии Apache-2.0. Описание не приводит сведений о длине контекста или подробных ограничениях; приведённые оценки относятся к конкретным тестовым выборкам и не гарантируют аналогичное качество на других типах аудио.

Сценарии применения

  • транскрибация записей на индонезийском языке
  • распознавание речи в аудиофайлах
  • создание текстовых расшифровок индонезийских интервью
  • автоматическая расшифровка записей для последующей обработки

Ограничения

Качество оценено на тестовых выборках Common Voice 11 и Google Fleurs, поэтому результаты могут отличаться для других аудиоданных. Подробные ограничения применения в карточке не описаны.

Для каких профессий подходит9

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

Whisper Medium Indonesian

This model is a fine-tuned version of openai/whisper-medium on the Indonesian mozilla-foundation/common_voice_11_0, magic_data, titml and google/fleurs dataset. It achieves the following results:

CV11 test split:

  • Loss: 0.0698
  • Wer: 3.8274

Google/fleurs test split:

  • Wer: 9.74

Usage

from transformers import pipeline
transcriber = pipeline(
  "automatic-speech-recognition", 
  model="cahya/whisper-medium-id"
)
transcriber.model.config.forced_decoder_ids = (
  transcriber.tokenizer.get_decoder_prompt_ids(
    language="id" 
    task="transcribe"
  )
)
transcription = transcriber("my_audio_file.mp3")

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-06
  • train_batch_size: 16
  • eval_batch_size: 16
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • training_steps: 10000
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
0.04270.3310000.06644.3807
0.0420.6620000.06583.9426
0.02650.9930000.06573.8274
0.02111.3240000.06793.8366
0.02121.6650000.06823.8412
0.02061.9960000.06833.8689
0.01662.3270000.07113.9657
0.00952.6580000.07173.9980
0.01222.9890000.07143.9795
0.00493.31100000.07203.9887

Evaluation

We evaluated the model using the test split of two datasets, the Common Voice 11 and the Google Fleurs. As Whisper can transcribe casing and punctuation, we also evaluate its performance using raw and normalized text. (lowercase + removal of punctuations). The results are as follows:

Common Voice 11

WER
cahya/whisper-medium-id3.83
openai/whisper-medium12.62

Google/Fleurs

WER
cahya/whisper-medium-id9.74
cahya/whisper-medium-id + text normalizationtbc
openai/whisper-medium10.2
openai/whisper-medium + text normalizationtbc

Framework versions

  • Transformers 4.26.0.dev0
  • Pytorch 1.13.0+cu117
  • Datasets 2.7.1.dev0
  • Tokenizers 0.13.2

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
d7048bf

0 моделей