/ Модель

Характеристики

Контекст
1 024 токена
Параметры
905 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v2
Опубликована
3 ноя 2024

whisper-large-v2-vietnamese-lyrics-transcription

Распознавание речиАудио → текст3 профессии

Дообученная Whisper large-v2 для распознавания вьетнамского вокала и транскрибации текстов песен с аудио.

208скачиваний за 30 дней4лайкавеса обновлены16 авг 2026

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

Модель kelvinbksoh/whisper-large-v2-vietnamese-lyrics-transcription — дообученная версия Whisper large-v2 для автоматической транскрибации вьетнамских песен. Её разработали Kevin Soh, Bernard Cheng Zheng Zhuan и Nguyen Quoc Anh; модель основана на openai/whisper-large-v2 и содержит около 905,2 млн параметров.

Модель принимает аудио и выдаёт текстовую расшифровку вьетнамской песни. README описывает обучение на 7 000 песнях длительностью около 550 часов из разных жанров, диалектов и акцентов; для проверки использовалась выборка из 1 000 песен. При использовании Transformers pipeline поддерживает обработку длинных записей по фрагментам и выдачу временных меток на уровне слов.

Для версии large-v2 в README приведены WER 24,61% с учётом регистра и 20,52% без учёта регистра, а CER — 17,14% и 16,09% соответственно. Эти показатели относятся к указанной в карточке валидационной выборке; качество может отличаться для других песенных жанров, диалектов и условий записи. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация текста вьетнамских песен
  • распознавание вьетнамского вокала в аудиозаписях
  • получение временных меток слов в песенной записи

Ограничения

Оценка приведена на валидационной выборке из 1 000 песен; результаты на иных жанрах, диалектах, акцентах и условиях записи могут отличаться. Исходные аудиоданные обучения не опубликованы из-за авторских ограничений.

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

Vietnamese Automatic Lyrics Transcription

This project aims to perform automatic lyrics transcription on Vietnamese songs, the pre-trained model used for this task is Whisper from Robust Speech Recognition via Large-Scale Weak Supervision.

Fine-Tuning

The model is fine-tuned on 8,000 Vietnamese songs scraped from zingmp3.vn (Vietnamese version of Spotify). The average song duration is 4.7 minutes, with a word per minute of 90.7.

7,000 Songs are used as training and 1,000 songs are used as validation. The reported metrics below are for the 1,000 validation songs.

Evaluation

ModelWER (%)Case-SensitiveWER (%)LowercaseCER (%)Case-SensitiveCER (%)Lowercase
whisper-small34.9130.7324.8223.65
whisper-medium26.4223.1517.0317.01
whisper-large-v224.6120.5217.1416.09

Lyrics Transcription

To generate the transcription for a song, we can use the Transformers pipeline. Chunking is enabled by setting chunk_length_s=30 when instantiating the pipeline. With chunking enabled, the pipeline can be run with batched inference. It can also be extended to predict sequence level timestamps by passing return_timestamps=True: In the following example we are passing return_timestamps="word" that provides precise timestamps for when each individual word in the audio starts and ends.

>>> from transformers import pipeline
>>> asr_pipeline = pipeline(
>>>    "automatic-speech-recognition",
>>>    model="kelvinbksoh/whisper-small-vietnamese-lyrics-transcription", chunk_length_s=30, device='cuda',
>>>    tokenizer="kelvinbksoh/whisper-small-vietnamese-lyrics-transcription"
>>> )
>>> transcription = asr_pipeline("sample_audio.mp3", return_timestamps="word")

Training Data

The training dataset consists of 7,000 Vietnamese songs, in total of roughly 550 hours of audio, across various Vietnamese music genres, dialects and accents. Due to copyright concerns, the raw data is not publicly available. However, the CSV files, which contain links to the songs and lyrics, can be used for downloading and are available in our repository. Each song includes lyrics along with corresponding line-level timestamps, enabling precise mapping of audio segments to their respective lyrics based on the provided timestamp information.

For more details, please refer to our paper: Vietnamese Automatic Lyrics Transcription. This project was made through equal contributions from:

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
f44da42

0 моделей