/ Модель

Характеристики

Контекст
1 024 токена
Параметры
905 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Опубликована
28 янв 2023

whisper-large-v2-arabic-5k-steps

Распознавание речиАудио → текст3 профессии

Дообученная на арабской части Common Voice версия Whisper large-v2 для распознавания арабской речи.

18скачиваний за 30 дней3лайкавеса обновлены3 мар 2023

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

clu-ling/whisper-large-v2-arabic-5k-steps — модель распознавания речи, созданная дообучением openai/whisper-large-v2 на арабской части Common Voice 11.0. Это плотная модель Whisper с 905,2 млн параметров, опубликованная в формате PyTorch и распространяемая по лицензии Apache-2.0.

Модель предназначена для преобразования арабской речи в текст. Её обучали 5000 шагов; на тестовой выборке Common Voice 11.0 указана WER 0,4239 и loss 0,3434. Автор предупреждает, что качество транскрипций может быть недостаточным для пользователей, поэтому чекпойнт больше подходит для экспериментов и оценки дообучения.

Сценарии применения

  • транскрибация арабской речи из аудиозаписей
  • эксперименты с распознаванием арабской речи
  • оценка качества ASR на Common Voice 11.0

Ограничения

Автор предупреждает, что после 5000 шагов дообучения транскрипции могут быть недостаточно качественными для практического использования; на тестовой выборке указана WER 0,4239.

Для каких профессий подходит3

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-large-v2-arabic-5k-steps

This model is a fine-tuned version of openai/whisper-large-v2 on the Arabic CommonVoice dataset (v11). It achieves the following results on the evaluation set:

  • Loss: 0.3434
  • Wer: 0.4239

Model description

This model is finetuned for 5000 steps for research purposes which means that the transcriptions might not be that satisfactory for users.

Training and evaluation data

  • Training Data: CommonVoice (v11) train split
  • Validation Data: CommonVoice (v11) Validation split
  • Test Data: CommonVoice (v11) Test split

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 50
  • 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: 5000
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
0.16381.7810000.22950.4410
0.05873.5720000.23370.4272
0.01255.3530000.27450.4208
0.0047.1340000.31240.4252
0.00168.9150000.34340.4239

Transcription:

from datasets import load_dataset, Audio
import torch
from transformers import WhisperProcessor, WhisperForConditionalGeneration

# device
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# load the model
processor = WhisperProcessor.from_pretrained("clu-ling/whisper-large-v2-arabic-5k-steps")
model = WhisperForConditionalGeneration.from_pretrained("clu-ling/whisper-large-v2-arabic-5k-steps").to(device)
forced_decoder_ids = processor.get_decoder_prompt_ids(language="ar", task="transcribe")

# load the dataset
commonvoice_eval = load_dataset("mozilla-foundation/common_voice_11_0", "ar", split="validation", streaming=True)
commonvoice_eval = commonvoice_eval.cast_column("audio", Audio(sampling_rate=16000))
sample = next(iter(commonvoice_eval))["audio"]

# features and generate token ids
input_features = processor(sample["array"], sampling_rate=sample["sampling_rate"], return_tensors="pt").input_features
predicted_ids = model.generate(input_features.to(device), forced_decoder_ids=forced_decoder_ids)

# decode
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]

print("Transcription:", transcription)
Transcription: عمي هو أخو أبي.

Evaluation:

Evaluates this model on mozilla-foundation/common_voice_11_0 test split.

import pyarabic.araby as araby
from transformers.models.whisper.english_normalizer import BasicTextNormalizer
from datasets import load_dataset, Audio
import evaluate
import torch
import re
from transformers import WhisperProcessor, WhisperForConditionalGeneration

# device
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# metric
wer_metric = evaluate.load("wer")

# model
processor = WhisperProcessor.from_pretrained("clu-ling/whisper-large-v2-arabic-5k-steps")
model = WhisperForConditionalGeneration.from_pretrained("clu-ling/whisper-large-v2-arabic-5k-steps")

# dataset
dataset = load_dataset("mozilla-foundation/common_voice_11_0", "ar", split="test", ) #cache_dir=args.cache_dir
dataset = dataset.cast_column("audio", Audio(sampling_rate=16000))

#for debuggings: it gets two examples
#dataset = dataset.shard(num_shards=10000, index=0)
#print(dataset)

def clean_text(text):
  """Normalizes TRANSCRIPT"""
  text = re.sub(r'[\,\?\.\!\-\;\:\"\“\%\٪\‘\”\�\«\»\،\.\:\؟\؛\*\>\<]', '', text) + " " # special characters
  text = re.sub(r'http\S+', '', text) + " " # links
  text = re.sub(r'[\[\]\(\)\-\/\{\}]', '', text) + " " # brackets
  text = re.sub(r'\s+', ' ', text) + " " # extra white space
  text = araby.strip_diacritics(text) # remove diacrirics
  return text.strip()
    
def normalize(batch):
  """Normalizes GOLD"""
  #batch["gold_text"] = whisper_norm(batch['sentence'])
  batch["gold_text"] = clean_text(batch['sentence'])
  return batch

def map_wer(batch):
  model.to(device)
  forced_decoder_ids = processor.get_decoder_prompt_ids(language = "ar", task = "transcribe")
  inputs = processor(batch["audio"]["array"], sampling_rate=batch["audio"]["sampling_rate"], return_tensors="pt").input_features
  with torch.no_grad():
    generated_ids = model.generate(inputs=inputs.to(device), forced_decoder_ids=forced_decoder_ids)
    transcription = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
  batch["predicted_text"] = clean_text(transcription)
  return batch

# process GOLD text
processed_dataset = dataset.map(normalize)
# get predictions
predicted = processed_dataset.map(map_wer)

# word error rate
wer = wer_metric.compute(references=predicted['gold_text'], predictions=predicted['predicted_text'])
wer = round(100 * wer, 2)
print("WER:", wer)

Framework versions

  • Transformers 4.26.0.dev0
  • Pytorch 1.13.1
  • Datasets 2.8.1.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
f3f2922

0 моделей