/ Модель

Характеристики

Базовая модель
whisper-large-v3-turbo
Опубликована
16 окт 2024

whisper-large-v3-turbo-zh-tw

Распознавание речиАудио → текст

Дообученная версия Whisper large-v3-turbo для распознавания мандаринской речи и преобразования аудио в текст.

0скачиваний за 30 дней5лайковвеса обновлены16 окт 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

Это дообученная версия мультиязычной модели OpenAI Whisper large-v3-turbo, подготовленная для распознавания речи на мандаринском китайском языке. Модель принимает аудио и преобразует речь в текст; в карточке приведены результаты оценки на тестовых выборках Common Voice 13.0 и 16.1: WER снизился с 77,08 до 45,47 и с 77,57 до 45,9 соответственно после дообучения.

Модель предназначена для автоматической транскрибации мандаринской речи, в том числе записей, подобных аудио из Common Voice. В метаданных указаны архитектурная основа Whisper large-v3-turbo, формат safetensors и датасет Common Voice 13.0. Лицензия в предоставленных данных не указана.

Сценарии применения

  • транскрибация записей речи на мандаринском китайском
  • распознавание речи в аудио Common Voice
  • оценка качества распознавания мандаринской речи на тестовых аудиозаписях

Ограничения

В карточке результаты приведены только для тестовых наборок Common Voice 13.0 и 16.1, поэтому качество на других типах записи и речевых данных не установлено. Лицензия в доступных сведениях не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Model ID

This model card describes a fine-tuned version of the Openai/Whisper-large-v3-turbo, optimized for Mandarin automatic speech recognition (ASR). It achieves the following results on the evaluation set:

  • Common Voice 13.0 dataset(test): Wer before fine-tune: 77.08

Wer after fine-tune: 45.47

  • Common Voice 16.1 dataset(test): Wer before fine-tune: 77.57

Wer after fine-tune: 45.9

Uses

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "sandy1990418/whisper-large-v3-turbo-zh-tw"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    torch_dtype=torch_dtype,
    device=device,
)

dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]

result = pipe(sample)
print(result["text"])

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов
ab31e13

0 моделей