Whisper Medium Cv11 German Ct2

🚀 ドイツ語の自動音声認識用にファインチューニングされたwhisper-mediumモデル

このモデルは、自動音声認識（ASR）に特化したモデルで、ドイツ語の音声を高精度に認識することができます。openai/whisper-mediumをベースに、mozilla-foundation/common_voice_11_0のドイツ語データセットでファインチューニングされています。音声入力は16KHzでサンプリングする必要があり、大文字小文字や句読点も予測することができます。

このモデルは、bofenghuang/whisper-medium-cv11-germanをctranslate2に変換したバージョンです。

🚀 クイックスタート

このモデルを使用するには、以下の手順に従ってください。

データセットの読み込み

from datasets import load_dataset

# データセットを読み込む
ds_mcv_test = load_dataset("mozilla-foundation/common_voice_11_0", "de", split="test", streaming=True)
test_segment = next(iter(ds_mcv_test))
waveform = test_segment["audio"]

推論の実行

推論には、🤗 Pipelineまたは🤗 低レベルAPIを使用することができます。

🤗 Pipelineを使用した推論

import torch
from datasets import load_dataset
from transformers import pipeline

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

# パイプラインを読み込む
pipe = pipeline("automatic-speech-recognition", model="bofenghuang/whisper-medium-cv11-german", device=device)

# 生成ユーティリティのためにforced_decoder_idsを設定する
pipe.model.config.forced_decoder_ids = pipe.tokenizer.get_decoder_prompt_ids(language="de", task="transcribe")

# データを読み込む
ds_mcv_test = load_dataset("mozilla-foundation/common_voice_11_0", "de", split="test", streaming=True)
test_segment = next(iter(ds_mcv_test))
waveform = test_segment["audio"]

# デコードオプション
# 生成されるトークンの最大数を225に制限する
pipe.model.config.max_length = 225 + 1
# サンプリング
# pipe.model.config.do_sample = True
# ビームサーチ
# pipe.model.config.num_beams = 5
# 返り値
# pipe.model.config.return_dict_in_generate = True
# pipe.model.config.output_scores = True
# pipe.model.config.num_return_sequences = 5

# 推論を実行する
generated_sentences = pipe(waveform)["text"]

🤗 低レベルAPIを使用した推論

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

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

# モデルを読み込む
model = AutoModelForSpeechSeq2Seq.from_pretrained("bofenghuang/whisper-medium-cv11-german").to(device)
processor = AutoProcessor.from_pretrained("bofenghuang/whisper-medium-cv11-german", language="german", task="transcribe")

# 生成ユーティリティのためにforced_decoder_idsを設定する
model.config.forced_decoder_ids = processor.get_decoder_prompt_ids(language="de", task="transcribe")

# 16_000
model_sample_rate = processor.feature_extractor.sampling_rate

# データを読み込む
ds_mcv_test = load_dataset("mozilla-foundation/common_voice_11_0", "de", split="test", streaming=True)
test_segment = next(iter(ds_mcv_test))
waveform = torch.from_numpy(test_segment["audio"]["array"])
sample_rate = test_segment["audio"]["sampling_rate"]

# リサンプリング
if sample_rate != model_sample_rate:
    resampler = torchaudio.transforms.Resample(sample_rate, model_sample_rate)
    waveform = resampler(waveform)

# 特徴量を取得する
inputs = processor(waveform, sampling_rate=model_sample_rate, return_tensors="pt")
input_features = inputs.input_features
input_features = input_features.to(device)

# 生成する
generated_ids = model.generate(inputs=input_features, max_new_tokens=225)  # 貪欲法
# generated_ids = model.generate(inputs=input_features, max_new_tokens=225, num_beams=5)  # ビームサーチ

# トークン化を解除する
generated_sentences = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

# 必要に応じて予測文を正規化する

✨ 主な機能

• 高精度な音声認識：ドイツ語の音声を高精度に認識することができます。
• 大文字小文字と句読点の予測：音声認識結果に大文字小文字や句読点を含めることができます。
• 多様な推論方法：🤗 Pipelineまたは🤗 低レベルAPIを使用して推論を実行することができます。

📚 ドキュメント

パフォーマンス

以下は、Common Voice 9.0とCommon Voice 11.0でのWER（単語誤り率）の結果です。

Common Voice 9.0

Common Voice 11.0

📄 ライセンス

このモデルは、Apache-2.0ライセンスの下で公開されています。