/ Модель

Характеристики

Контекст
1 024 токена
Параметры
905 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Опубликована
1 янв 2023

whisper-tamil-large-v2

Распознавание речиАудио → текст6 профессий

Дообученная на тамильской речи модель Whisper Large-v2 для преобразования аудио в текст.

35 112скачиваний за 30 дней10лайковвеса обновлены24 апр 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

vasista22/whisper-tamil-large-v2 — модель автоматического распознавания речи, созданная дообучением Whisper Large-v2 разработчиком vasista22 на тамильских данных из нескольких открытых корпусов. Она предназначена для преобразования тамильской речи в текст и оценки распознавания на соответствующих тестовых наборах. Модель использует архитектуру WhisperForConditionalGeneration и содержит около 905,2 млн параметров; доступны реализации весов PyTorch и Flax.

Модель ориентирована на тамильскую речь и обучалась на корпусах IISc-MILE, ULCA, Shrutilipi, Microsoft Speech Corpus для индийских языков, Google Fleurs и Babel. Для обучения применялся спринт по дообучению Whisper; Apache-2.0 разрешает использование модели на условиях этой лицензии. Карточка не приводит длину контекста или измерения качества, поэтому нельзя оценить точность на конкретных типах записей.

Сценарии применения

  • расшифровка тамильской речи в текст
  • подготовка транскриптов тамильских аудиозаписей
  • оценка качества распознавания тамильской речи на тестовых корпусах

Ограничения

Карточка не сообщает количественные показатели качества и не описывает устойчивость к шуму, акцентам или другим условиям записи. Модель настроена на тамильские данные; качество для других языков не заявлено.

Для каких профессий подходит6

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 Tamil Large-v2

This model is a fine-tuned version of openai/whisper-large-v2 on the Tamil data available from multiple publicly available ASR corpuses. It has been fine-tuned as a part of the Whisper fine-tuning sprint.

NOTE: The code used to train this model is available for re-use in the whisper-finetune repository.

Usage

In order to evaluate this model on an entire dataset, the evaluation codes available in the whisper-finetune repository can be used.

The same repository also provides the scripts for faster inference using whisper-jax.

In order to infer a single audio file using this model, the following code snippet can be used:

>>> import torch
>>> from transformers import pipeline

>>> # path to the audio file to be transcribed
>>> audio = "/path/to/audio.format"
>>> device = "cuda:0" if torch.cuda.is_available() else "cpu"

>>> transcribe = pipeline(task="automatic-speech-recognition", model="vasista22/whisper-tamil-large-v2", chunk_length_s=30, device=device)
>>> transcribe.model.config.forced_decoder_ids = transcribe.tokenizer.get_decoder_prompt_ids(language="ta", task="transcribe")

>>> print('Transcription: ', transcribe(audio)["text"])

For faster inference of whisper models, the whisper-jax library can be used. Please follow the necessary installation steps as mentioned here, before using the following code snippet:

>>> import jax.numpy as jnp
>>> from whisper_jax import FlaxWhisperForConditionalGeneration, FlaxWhisperPipline

>>> # path to the audio file to be transcribed
>>> audio = "/path/to/audio.format"

>>> transcribe = FlaxWhisperPipline("vasista22/whisper-tamil-large-v2", batch_size=16)
>>> transcribe.model.config.forced_decoder_ids = transcribe.tokenizer.get_decoder_prompt_ids(language="ta", task="transcribe")

>>> print('Transcription: ', transcribe(audio)["text"])

Training and evaluation data

Training Data:

Evaluation Data:

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.75e-05
  • train_batch_size: 8
  • eval_batch_size: 24
  • seed: 22
  • optimizer: adamw_bnb_8bit
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 22000
  • training_steps: 52500 (Initially set to 76000 steps)
  • mixed_precision_training: True

Acknowledgement

This work was done at Speech Lab, IIT Madras.

The compute resources for this work were funded by "Bhashini: National Language translation Mission" project of the Ministry of Electronics and Information Technology (MeitY), Government of India.

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
3a87303

0 моделей