/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
whisper-large-v3
Библиотека
transformers
Опубликована
4 дек 2024

whisper-large-v3-cantonese

Распознавание речиАудио → текст5 профессий

Дообученная Whisper large-v3 для транскрибации аудио на кантонском языке Yue.

229скачиваний за 30 дней35лайковвеса обновлены6 фев 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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 khleeloo (Rita Frieske) — дообученная версия Whisper large-v3 от OpenAI для автоматического распознавания кантонской речи (Yue) и преобразования аудио в текст. Она предназначена для транскрибации, голосовых помощников и функций доступности для говорящих на кантонском языке. Модель обучалась 10 эпох на Common Voice 17; 12 слоёв декодера были заморожены. Для оценки использовалась метрика CER: в карточке приведены результаты на тестовых выборках Common Voice 15 и 17.

Модель принимает аудио и выдаёт текст. Лучше ориентирована на разговорный кантонский вариант Yue; на письменном варианте zh-HK и других языках или диалектах качество может быть ниже. Результат также зависит от качества записи и акцента, а качество распознавания ограничено разнообразием обучающих данных. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация разговорной кантонской речи
  • распознавание кантонской речи в голосовом помощнике
  • создание субтитров для кантонского аудио
  • распознавание речи для функций доступности
  • оценка качества ASR на кантонских тестовых выборках

Ограничения

На письменном варианте zh-HK, других языках и диалектах качество может быть ниже; результат зависит от качества аудио и акцента. Эффективность ограничена разнообразием обучающих 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

Model Card for Model ID

This model is a fine-tuned version of the Whisper v3 model, specifically trained for automatic speech recognition (ASR) in Cantonese (Yue). The model has been fine-tuned on data from the Common Voice 17 dataset for 10 epochs with a learning rate of 1e-7.

Model Details

  • Model Architecture: Whisper v3
  • Language: Cantonese (Yue)
  • Training Dataset: Common Voice 17
  • Training Duration: 10 epochs
  • Learning Rate: 1e-7
  • Frozen Layers: 12 layers in the decoder are frozen during training

Model Description

This is the model card of a 🤗 transformers model that has been pushed on the Hub. This model card has been automatically generated.

  • Developed by: khleeloo (Rita Frieske)
  • Language(s) (NLP): Cantonese
  • License: apache-2.0
  • Finetuned from model [optional]: openai/whisper-large-v3

Uses

This model is intended for researchers and developers interested in building applications that require speech recognition capabilities in Cantonese. It can be used in various applications, including:

  • Voice assistants
  • Transcription services
  • Accessibility features for Cantonese speakers

Bias, Risks, and Limitations

The model is specifically fine-tuned for Cantonese and may not perform well on other languages or dialects. Performance may vary based on the quality and accent of the audio input. The model's effectiveness is dependent on the diversity and richness of the training data.

How to Get Started with the Model

To use this model, you can load it using the Hugging Face Transformers library:

from transformers import WhisperProcessor, WhisperForConditionalGeneration

model = WhisperForConditionalGeneration.from_pretrained("your_username/whisper-cantonese")
processor = WhisperProcessor.from_pretrained("your_username/whisper-cantonese")

Training

Training Data

  • mozilla-foundation/common_voice_17_0

Evaluation

Testing Data, Factors & Metrics

Common Voice_17_0 yue test split Common Voice 15_0 yue test split and Common Voice 15_0 zh-HK test split (these test dataset were used to evaluate Whisper 3.0)

Metrics

Character Error Rate (CER) since Cantonese is character based language.

Results

CV15_0 zh-HKCV 15_0 yueCV 17_0 yue
Whisper large v310.816-
Whisper cantonese (ours)18.888.777.26

Explanation: our model was not trained on zh-HK data consisting of more written Cantonese but rather more vernacular Cantonese version (yue) since it is a speech recognition model. Hence the weaker performance on zh-HK splits of Common Voice dataset.

Summary

Citation [optional]

BibTeX:

@misc {rita_frieske_2025, author = { {Rita Frieske} }, title = { whisper-large-v3-cantonese }, year = 2025, url = { https://huggingface.co/khleeloo/whisper-large-v3-cantonese }, doi = { 10.57967/hf/4393 }, publisher = { Hugging Face } }

Model Card Authors [optional]

https://khleeloo.github.io/

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
f48a890

0 моделей