/ Модель

Характеристики

Контекст
1 024 токена
Параметры
456 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-medium
Опубликована
9 дек 2022

whisper-medium-as-400-32-1e-05-bn

Распознавание речиАудио → текст3 профессии

Дообученная на Common Voice 11.0 модель Whisper Medium для распознавания аудиоречи, ориентированная на ассамию.

16скачиваний за 30 дней0лайковвеса обновлены20 дек 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

Модель kpriyanshu256/whisper-medium-as-400-32-1e-05-bn — дообученная версия мультиязычной модели распознавания речи OpenAI Whisper Medium. Она предназначена для преобразования аудиозаписей в текст, с настройкой на датасете Common Voice 11.0; название карточки указывает на ассамию. Модель содержит 455,8 млн параметров, построена на архитектуре Whisper и опубликована в формате PyTorch.

В карточке приведён результат оценки на тестовой выборке: WER 58,7981 и loss 1,0825. Высокий WER указывает на возможные ошибки распознавания, поэтому качество для конкретных записей стоит проверять отдельно. Лицензия — Apache-2.0.

Сценарии применения

  • расшифровка речи на ассамском языке
  • создание текстовых субтитров к аудиозаписям на ассамском
  • транскрибация записей, похожих на данные Common Voice
  • оценка качества распознавания речи на тестовых аудиоданных

Ограничения

На указанной тестовой выборке WER составляет 58,7981, что говорит о заметной доле ошибок распознавания. Результаты для других языков, акцентов и условий записи в карточке не приведены.

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

openai/whisper-medium-Assamese

This model is a fine-tuned version of openai/whisper-medium on the Common Voice 11.0 dataset. It achieves the following results on the evaluation set:

  • Loss: 1.0825
  • Wer: 58.7981

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 2
  • eval_batch_size: 1
  • seed: 42
  • gradient_accumulation_steps: 16
  • total_train_batch_size: 32
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 50
  • training_steps: 400
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
0.10191.04001.082558.7981

Framework versions

  • Transformers 4.26.0.dev0
  • Pytorch 1.11.0
  • Datasets 2.1.0
  • Tokenizers 0.12.1

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
056fcd0

0 моделей