/ Модель

Характеристики

Контекст
1 024 токена
Параметры
456 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-medium
Библиотека
transformers
Опубликована
26 авг 2024

whisper-medium-myanmar

Распознавание речиАудио → текст4 профессии

Дообученная версия Whisper medium для распознавания бирманской речи и её преобразования в текст.

79скачиваний за 30 дней0лайковвеса обновлены31 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

whisper-medium-myanmar — модель распознавания речи на основе Whisper medium от OpenAI, дообученная автором репозитория на наборе chuuhtetnaing/myanmar-speech-dataset-openslr-80. Она преобразует аудиозаписи на бирманском языке в текст и предназначена для автоматической транскрипции речи.

Модель построена на архитектуре Whisper и содержит 455,8 млн параметров. В метаданных указан формат safetensors и библиотека Transformers. На оценочном наборе автор сообщает loss 0,2282 и WER 49,4657; это указывает на заметные ошибки распознавания, поэтому качество следует проверять на целевых аудиозаписях. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация записей речи на бирманском языке
  • распознавание бирманской речи в аудиозаписях
  • создание текстовых расшифровок бирманских аудиоматериалов

Ограничения

На оценочном наборе указана WER 49,4657, что означает высокий уровень ошибок распознавания; качество на других данных может отличаться.

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-medium-myanmar

This model is a fine-tuned version of openai/whisper-medium on the chuuhtetnaing/myanmar-speech-dataset-openslr-80 dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2282
  • Wer: 49.4657

Usage

from datasets import Audio, load_dataset
from transformers import pipeline

# Load a sample audio
dataset = load_dataset("chuuhtetnaing/myanmar-speech-dataset-openslr-80")
dataset = dataset.cast_column("audio", Audio(sampling_rate=16000))
test_dataset = dataset['test']
input_speech = test_dataset[42]['audio']

pipe = pipeline(model='chuuhtetnaing/whisper-medium-myanmar')

output = pipe(input_speech, generate_kwargs={"language": "myanmar", "task": "transcribe"})
print(output['text']) # ကျမ ပြည်ပ မှာ ပညာသင် တော့ စာမေးပွဲ ကို တပတ်တခါ စစ်တယ်

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • train_batch_size: 40
  • eval_batch_size: 40
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 200
  • num_epochs: 50
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
0.85461.0570.570398.0855
0.26432.01140.240484.9510
0.19823.01710.188971.6385
0.16084.02280.178168.4773
0.12125.02850.151163.7133
0.10676.03420.142760.2404
0.06827.03990.133059.3500
0.04138.04560.132256.9902
0.02499.05130.127155.6545
0.015810.05700.143054.8085
0.012411.06270.148655.0312
0.009912.06840.155053.7845
0.008213.07410.148655.1647
0.005714.07980.174753.6955
0.004115.08550.160853.3393
0.002916.09120.159650.6233
0.001317.09690.179851.2912
0.000518.010260.179650.3562
0.000619.010830.179950.0890
0.020.011400.184950.2671
0.000121.011970.187850.0445
0.022.012540.190750.1781
0.023.013110.192950.0890
0.024.013680.194249.8664
0.025.014250.201950.0445
0.026.014820.206849.9555
0.027.015390.210350.0
0.028.015960.212949.9555
0.029.016530.215050.0
0.030.017100.216849.9555
0.031.017670.218349.9555
0.032.018240.219649.8664
0.033.018810.220849.6438
0.034.019380.221849.7329
0.035.019950.222749.5993
0.036.020520.223449.5548
0.037.021090.224249.5548
0.038.021660.224849.5102
0.039.022230.225349.5548
0.040.022800.225949.5548
0.041.023370.226349.5548
0.042.023940.226749.4657
0.043.024510.227149.5102
0.044.025080.227449.5102
0.045.025650.227649.4657
0.046.026220.227849.4657
0.047.026790.228049.5548
0.048.027360.228149.5102
0.049.027930.228249.5102
0.050.028500.228249.4657

Framework versions

  • Transformers 4.35.2
  • Pytorch 2.1.1+cu121
  • Datasets 2.14.5
  • Tokenizers 0.15.1

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
6ddaae5

0 моделей