Whisper Large V3 Russian Ties Podlodka V1.0

🚀 ホイスパー大規模モデルのマージモデル

TIESメソッドを用いてマージされた、ロシア語音声認識用のモデルです。

🚀 クイックスタート

新しいバージョンが利用可能です: Apel-sin/whisper-large-v3-russian-ties-podlodka-v1.2

📚 ドキュメント

モデル詳細

このモデルはTIESマージ手法を使用してマージされました。

method: ties
parameters:
  ties_density: 0.85
  encoder_weights:
    - 0.65
    - 0.35
  decoder_weights:
    - 0.6
    - 0.4
models:
  model_a: "/mnt/cloud/llm/whisper/whisper-large-v3-russian"
  model_b: "/mnt/cloud/llm/whisper/whisper-large-v3-ru-podlodka"
output_dir: "/mnt/cloud/llm/whisper/whisper-large-v3-russian-ties-podlodka"

シンプルなAPIサーバ

このモデルは、シンプルなOpenAI互換APIサーバと共に使用できます: https://github.com/kreolsky/whisper-api-server/

使用方法

電話通話を処理する場合、音声認識（ASR）を行う前にレコードを前処理し、音量を調整することを強くおすすめします。例えば、次のようにします。

sox record.wav -r 8000 record-normalized.wav norm -0.5 compand 0.3,1 -90,-90,-70,-50,-40,-15,0,0 -7 0 0.15

次に、ASRコードは次のようになります。

import torch
from transformers import WhisperForConditionalGeneration, WhisperProcessor, pipeline

torch_dtype = torch.bfloat16 # ここで好みの型を設定します 

device = 'cpu'
if torch.cuda.is_available():
    device = 'cuda'
elif torch.backends.mps.is_available():
    device = 'mps'
    setattr(torch.distributed, "is_initialized", lambda : False) # モンキーパッチング
device = torch.device(device)

whisper = WhisperForConditionalGeneration.from_pretrained(
    "antony66/whisper-large-v3-russian", torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True,
    # GPUがサポートしている場合は attn_implementation="flash_attention_2" を追加します
)

processor = WhisperProcessor.from_pretrained("antony66/whisper-large-v3-russian")

asr_pipeline = pipeline(
    "automatic-speech-recognition",
    model=whisper,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    max_new_tokens=256,
    chunk_length_s=30,
    batch_size=16,
    return_timestamps=True,
    torch_dtype=torch_dtype,
    device=device,
)

# wavファイルを変数wavに読み込みます。例えば:
from io import BufferIO
wav = BytesIO()
with open('record-normalized.wav', 'rb') as f:
    wav.write(f.read())
wav.seek(0)

# 文字起こしを取得します
asr = asr_pipeline(wav, generate_kwargs={"language": "russian", "max_new_tokens": 256}, return_timestamps=False)

print(asr['text'])

進行中の作業

このモデルは現在開発中です。目標は、電話通話の音声認識にできるだけ適したようにファインチューニングすることです。もし貢献したい場合や、良いデータセットを持っている場合は、ぜひ教えてください。あなたの支援を大いに歓迎します。

モデル情報