/ Модель

Характеристики

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

whisper-medium-ml

Распознавание речиАудио → текст5 профессий

Дообученная на Common Voice 11.0 модель Whisper Medium для расшифровки аудио на малаялам.

772скачиваний за 30 дней10лайковвеса обновлены1 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

thennal/whisper-medium-ml — модель распознавания речи на малаялам, созданная дообучением OpenAI Whisper Medium на Common Voice 11.0. Она принимает аудио и генерирует текстовую расшифровку; архитектура Whisper содержит около 455,8 млн параметров. В README приведены результаты оценки: WER 38,62 и CER 7,33 без нормализации, а после нормализации WER составляет 11,49. Автор отмечает, что нормализация Whisper имеет существенные проблемы для малаялама, поэтому метрики зависят от способа обработки текста. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • расшифровка речи на малаялам
  • создание субтитров для аудио на малаялам
  • транскрибация записей на малаялам

Ограничения

В README указаны заметные различия между WER без нормализации (38,62) и с нормализацией (11,49); автор предупреждает о проблемах нормализации Whisper для малаялама. Другие ограничения не описаны.

Для каких профессий подходит5

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 Medium Malayalam

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:

  • WER: 38.6207
  • CER: 7.3256

Note that Whisper's normalization has major issues for languages like Malayalam, so the above scores are evaluated without using normalization. With normalization (for a fair comparison with other models on this platform), the results are instead:

  • WER: 11.49

This Colab can be used as a starting point to further finetune the model.

Usage instructions

Given an audio sample audio (this can be anything from a numpy array to a filepath), the following code generates transcriptions:

from transformers import pipeline, WhisperProcessor

processor = WhisperProcessor.from_pretrained("thennal/whisper-medium-ml")
forced_decoder_ids = processor.get_decoder_prompt_ids(language="ml", task="transcribe")
asr = pipeline(
        "automatic-speech-recognition", model="thennal/whisper-medium-ml", device=0,
    )
transcription = asr(audio, chunk_length_s=30, max_new_tokens=448, return_timestamps=False,  generate_kwargs={
        "forced_decoder_ids": forced_decoder_ids, 
        "do_sample": True,
    })

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: 32
  • eval_batch_size: 16
  • 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: 8000
  • mixed_precision_training: Native AMP

Framework versions

  • Transformers 4.26.0.dev0
  • Pytorch 1.13.0+cu117
  • Datasets 2.7.1.dev0
  • Tokenizers 0.13.2

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
1397979

0 моделей