Характеристики

Контекст: 1 024 токена
Параметры: 29,4 млн
Лицензия: Apache 2.0
Архитектура: whisper · dense
Базовая модель: whisper-tiny
Опубликована: 9 авг 2024

Ссылки

Hugging Face

outcomes-whisper-tiny-v1

piyushmaharana

Распознавание речи

Дообученная на медицинских данных компактная модель Whisper для транскрибации англоязычной речи.

6скачиваний за 30 дней0лайковвеса обновлены9 авг 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

OutcomesAI-Whisper-tiny-v1.0 — компактная модель распознавания речи, созданная дообучением openai/whisper-tiny на наборе Medical_STT_Dataset_1.1. Она содержит 29,4 млн параметров и предназначена для преобразования аудиозаписей в текст, в частности для транскрибации медицинской речи на английском языке.

В карточке приведены результаты на тестовой выборке: loss 0,1675 и WER 7,2243. Модель использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors. Лицензия — Apache-2.0.

Сценарии применения

транскрибация медицинских аудиозаписей на английском языке
распознавание речи в медицинских диктовках
преобразование англоязычных аудиозаписей в текст

Ограничения

В карточке не описаны ограничения и условия оценки WER; результат может отличаться на данных, не похожих на обучающий медицинский набор.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

OutcomesAI-Whisper-tiny-v1.0

This model is a fine-tuned version of openai/whisper-tiny on the Medical_STT_Dataset_1.1 dataset. It achieves the following results on the evaluation set:

Loss: 0.1675
Wer: 7.2243

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: 16
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 500
training_steps: 4000
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Wer
0.1067	2.5126	1000	0.1600	7.2308
0.0329	5.0251	2000	0.1479	6.5809
0.0131	7.5377	3000	0.1596	7.4104
0.0192	10.0503	4000	0.1675	7.2243

Framework versions

Transformers 4.44.0
Pytorch 2.4.0+cu121
Datasets 2.20.0
Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры: WhisperForConditionalGeneration
Ревизия весов: 1bc3bb2