/ Модель

Характеристики

Размер весов
1,5 ГБ
Лицензия
MIT
Библиотека
ctranslate2
Опубликована
17 сен 2024

kotoba-whisper-v2.0-faster

Распознавание речиАудио → текст6 профессий

Конверсия kotoba-whisper-v2.0 в формат CTranslate2 для распознавания японской речи из аудио.

6 564скачиваний за 30 дней27лайковвеса обновлены29 сен 2024

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

kotoba-tech/kotoba-whisper-v2.0-faster — конверсия модели распознавания речи kotoba-whisper-v2.0 в формат CTranslate2. Она предназначена для запуска через CTranslate2 и совместимые проекты, включая faster-whisper, и преобразует японскую речь из аудио в текст. В карточке приведено сравнение скорости нескольких реализаций на MacBook Pro с чипом Apple M2 Pro; результаты зависят от аудио и среды запуска.

Веса сохранены в FP16, а при загрузке CTranslate2 тип вычислений можно менять параметром compute_type. README указывает, что faster-whisper поддерживает последовательное декодирование длинных аудиозаписей; для нарезанного на фрагменты декодирования автор отмечает преимущество Hugging Face pipeline в собственном эксперименте. Модель распространяется по лицензии MIT.

Сценарии применения

  • расшифровка японских аудиозаписей
  • распознавание японской речи в faster-whisper
  • транскрибация длинных японских записей
  • запуск Whisper через CTranslate2

Ограничения

Для длинных записей faster-whisper поддерживает последовательное декодирование; README сообщает, что нарезанное на фрагменты декодирование в эксперименте автора давало лучшие результаты через Hugging Face pipeline. Приведённые показатели скорости относятся к конкретной конфигурации Apple M2 Pro и отдельным аудиозаписям.

Для каких профессий подходит6

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 kotoba-whisper-v2.0 model for CTranslate2

This repository contains the conversion of kotoba-tech/kotoba-whisper-v2.0 to the CTranslate2 model format.

This model can be used in CTranslate2 or projects based on CTranslate2 such as faster-whisper.

Example

Install library and download sample audio.

pip install faster-whisper
wget https://huggingface.co/kotoba-tech/kotoba-whisper-v1.0-ggml/resolve/main/sample_ja_speech.wav

Inference with the kotoba-whisper-v2.0-faster.

from faster_whisper import WhisperModel

model = WhisperModel("kotoba-tech/kotoba-whisper-v2.0-faster")

segments, info = model.transcribe("sample_ja_speech.wav", language="ja", chunk_length=15, condition_on_previous_text=False)
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

Benchmark

We measure the inference speed of different kotoba-whisper-v2.0 implementations with four different Japanese speech audio on MacBook Pro with the following spec:

  • Apple M2 Pro
  • 32GB
  • 14-inch, 2023
  • OS Sonoma Version 14.4.1 (23E224)
audio fileaudio duration (min)whisper.cpp (sec)faster-whisper (sec)hf pipeline (sec)
audio 150.35812601807
audio 25.6417361
audio 34.93014154
audio 45.63512669

Scripts to re-run the experiment can be found bellow:

Also, currently whisper.cpp and faster-whisper support the sequential long-form decoding, and only Huggingface pipeline supports the chunked long-form decoding, which we empirically found better than the sequnential long-form decoding.

Conversion details

The original model was converted with the following command:

ct2-transformers-converter --model kotoba-tech/kotoba-whisper-v2.0 --output_dir kotoba-whisper-v2.0-faster \
    --copy_files tokenizer.json preprocessor_config.json --quantization float16

Note that the model weights are saved in FP16. This type can be changed when the model is loaded using the compute_type option in CTranslate2.

More information

For more information about the kotoba-whisper-v2.0, refer to the original model card.

Как запустить

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

GPU в ailist

Универсальный рантайм · ctranslate2

Нельзя запустить

Модели CTranslate2 требуют отдельного рантайма.

Ревизия весов
f44edd3

0 моделей