/ Модель

Характеристики

Контекст
1 024 токена
Параметры
905 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Опубликована
18 дек 2022

whisper-large-zh-cv11

Распознавание речиАудио → текст5 профессий

Дообученная на Common Voice 11 модель Whisper Large распознаёт речь на мандаринском китайском и преобразует её в текст.

35скачиваний за 30 дней79лайковвеса обновлены22 дек 2022

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 Large Chinese (Mandarin) — модель распознавания речи, созданная Jonatas Grosman на основе openai/whisper-large-v2. Она дообучена на китайском мандаринском языке с использованием обучающей и валидационной частей Common Voice 11; модель Whisper Large содержит около 905,2 млн параметров и доступна в формате PyTorch.

Модель предназначена для преобразования китайской речи в текст. В README приведены оценки на тестовых выборках Common Voice 11 и Fleurs, включая варианты с нормализацией регистра и пунктуации. Результаты на Fleurs показывают, что различия в записи чисел между наборами данных могут влиять на качество транскрипции.

Модель распространяется по лицензии Apache-2.0. Она специализирована на мандаринском китайском, поэтому её не следует считать универсальной многоязычной моделью распознавания речи; качество может зависеть от набора данных и способа записи чисел.

Сценарии применения

  • транскрибация речи на мандаринском китайском
  • распознавание китайской речи из записей Common Voice
  • субтитры для аудио на китайском языке
  • оценка качества распознавания китайской речи на тестовых наборах

Ограничения

Модель специализирована на мандаринском китайском. README отмечает, что различия в записи числовых значений между Common Voice и Fleurs могут ухудшать качество транскрипции; приведённые оценки получены на ограниченном наборе тестовых данных.

Для каких профессий подходит5

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 Large Chinese (Mandarin)

This model is a fine-tuned version of openai/whisper-large-v2 on Chinese (Mandarin) using the train and validation splits of Common Voice 11. Not all validation split data were used during training, I extracted 1k samples from the validation split to be used for evaluation during fine-tuning.

Usage


from transformers import pipeline

transcriber = pipeline(
  "automatic-speech-recognition", 
  model="jonatasgrosman/whisper-large-zh-cv11"
)

transcriber.model.config.forced_decoder_ids = (
  transcriber.tokenizer.get_decoder_prompt_ids(
    language="zh", 
    task="transcribe"
  )
)

transcription = transcriber("path/to/my_audio.wav")

Evaluation

I've performed the evaluation of the model using the test split of two datasets, the Common Voice 11 (same dataset used for the fine-tuning) and the Fleurs (dataset not seen during the fine-tuning). As Whisper can transcribe casing and punctuation, I've performed the model evaluation in 2 different scenarios, one using the raw text and the other using the normalized text (lowercase + removal of punctuations). Additionally, for the Fleurs dataset, I've evaluated the model in a scenario where there are no transcriptions of numerical values since the way these values are described in this dataset is different from how they are described in the dataset used in fine-tuning (Common Voice), so it is expected that this difference in the way of describing numerical values will affect the performance of the model for this type of transcription in Fleurs.

Common Voice 11

CERWER
jonatasgrosman/whisper-large-zh-cv119.3155.94
jonatasgrosman/whisper-large-zh-cv11 + text normalization9.5555.02
openai/whisper-large-v233.33101.80
openai/whisper-large-v2 + text normalization29.9095.91

Fleurs

CERWER
jonatasgrosman/whisper-large-zh-cv1115.0093.45
jonatasgrosman/whisper-large-zh-cv11 + text normalization11.7670.63
jonatasgrosman/whisper-large-zh-cv11 + keep only non-numeric samples10.9587.91
jonatasgrosman/whisper-large-zh-cv11 + text normalization + keep only non-numeric samples7.8362.12
openai/whisper-large-v223.49101.28
openai/whisper-large-v2 + text normalization17.5883.22
openai/whisper-large-v2 + keep only non-numeric samples21.03101.95
openai/whisper-large-v2 + text normalization + keep only non-numeric samples15.2279.28

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
6103761

0 моделей