/ Модель

Характеристики

Контекст
1 024 токена
Параметры
456 млн
Архитектура
whisper · dense
Опубликована
2 янв 2024

malaysian-whisper-medium

Распознавание речиАудио → текст7 профессий

Дообученная на малайской речи модель Whisper Medium для транскрибации малайского, английского и смешанной речи Manglish.

507скачиваний за 30 дней6лайковвеса обновлены15 янв 2024

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

mesolitica/malaysian-whisper-medium — модель распознавания речи, созданная Mesolitica путём дообучения Whisper Medium на данных малайской речи. Она предназначена для преобразования аудио в текст на малайском языке, включая стандартную и местную речь, а также на английском, включая Manglish. Модель основана на архитектуре Whisper и содержит 455,8 млн параметров; в репозитории представлены веса Safetensors.

Модель подходит для транскрибации разговоров и видео на малайском и английском языках. Для обработки аудио длиннее 30 секунд автор рекомендует разбивать запись на фрагменты такой длительности и распознавать их отдельно. Данные для дообучения включают наборы IMDA STT, Malay Conversational Speech Corpus, псевдоразметку малайских видео и аудиокниг, а также частный датасет Haqkiem TTS. Условия лицензии в предоставленных данных не описаны.

Сценарии применения

  • транскрибация разговоров на малайском языке
  • распознавание местных вариантов малайской речи
  • расшифровка английской речи и Manglish
  • транскрибация малайских видео и аудиокниг

Ограничения

Для аудио длиннее 30 секунд автор рекомендует разбивать запись на фрагменты и распознавать их отдельно. Лицензия в предоставленных сведениях не указана.

Для каких профессий подходит7

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

Malaysian Finetune Whisper Medium

Finetune Whisper Medium on Malaysian dataset,

  1. IMDA STT, https://huggingface.co/datasets/mesolitica/IMDA-STT
  2. Pseudolabel Malaysian youtube videos, https://huggingface.co/datasets/mesolitica/pseudolabel-malaysian-youtube-whisper-large-v3
  3. Malay Conversational Speech Corpus, https://huggingface.co/datasets/malaysia-ai/malay-conversational-speech-corpus
  4. Haqkiem TTS Dataset, this is private, but you can request access from https://www.linkedin.com/in/haqkiem-daim/
  5. Pseudolabel Nusantara audiobooks, https://huggingface.co/datasets/mesolitica/nusantara-audiobook

Script at https://github.com/mesolitica/malaya-speech/tree/malaysian-speech/session/whisper

Wandb at https://wandb.ai/huseinzol05/malaysian-whisper-medium?workspace=user-huseinzol05

Wandb report at https://wandb.ai/huseinzol05/malaysian-whisper-base/reports/Finetune-Whisper--Vmlldzo2Mzg2NDgx

What languages we finetuned?

  1. ms, Malay, can be standard malay and local malay.
  2. en, English, can be standard english and manglish.

how-to

from transformers import AutoProcessor, AutoModelForSpeechSeq2Seq, pipeline
from datasets import Audio
import requests

sr = 16000
audio = Audio(sampling_rate=sr)

processor = AutoProcessor.from_pretrained("mesolitica/malaysian-whisper-medium")
model = AutoModelForSpeechSeq2Seq.from_pretrained("mesolitica/malaysian-whisper-medium")

r = requests.get('https://huggingface.co/datasets/huseinzol05/malaya-speech-stt-test-set/resolve/main/test.mp3')
y = audio.decode_example(audio.encode_example(r.content))['array']
inputs = processor([y], return_tensors = 'pt')
r = model.generate(inputs['input_features'], language='ms', return_timestamps=True)
processor.tokenizer.decode(r[0])
'<|startoftranscript|><|ms|><|transcribe|> Zamily On Aging di Vener Australia, Australia yang telah diadakan pada tahun 1982 dan berasaskan unjuran tersebut maka jabatan perangkaan Malaysia menganggarkan menjelang tahun 2005 sejumlah 15% penduduk kita adalah daripada kalangan warga emas. Untuk makluman Tuan Yang Pertua dan juga Alian Bohon, pembangunan sistem pendafiran warga emas ataupun kita sebutkan event adalah usaha kerajaan ke arah merealisasikan objektif yang telah digangkatkan<|endoftext|>'
r = model.generate(inputs['input_features'], language='en', return_timestamps=True)
processor.tokenizer.decode(r[0])
<|startoftranscript|><|en|><|transcribe|> Assembly on Aging, Divina Australia, Australia, which has been provided in 1982 and the operation of the transportation of Malaysia's implementation to prevent the tourism of the 25th, 15% of our population is from the market. For the information of the President and also the respected, the development of the market system or we have made an event.<|endoftext|>

how to predict longer audio?

You need to chunk the audio by 30 seconds, and predict each samples.

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
4e1f73a

0 моделей