German RAG WHISPER LARGE V3 TURBO HESSIAN AI

🚀 German-RAG-WHISPER-LARGE-v3-TURBO-HESSIAN-AI

このモデルは、慎重に選りすぐった13時間のデータセットでファインチューニングされています。自動音声認識に特化しており、ドイツ語の音声認識性能を向上させることを目的としています。

🚀 クイックスタート

このモデルは、自動音声認識タスクに使用できます。以下のコード例を参考に、モデルを使用してみてください。

💻 使用例

基本的な使用法

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 = "avemio/German-RAG-WHISPER-LARGE-v3-TURBO"
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,
    max_new_tokens=128,
    chunk_length_s=30,
    batch_size=16,
    return_timestamps=True,
    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"])

📚 ドキュメント

評価 - 単語誤り率

評価に使用されたデータとコードはこちらで入手できます。

学習データ

このモデルの学習データには、英語のビジネスフレーズが混ざったドイツ語の会話が含まれています。データは、認識性能を最適化するために慎重に選択され、処理されています。データが音声クローニングに使用されるかどうかが不明な状況のため、データセットは公開されません。収集されたデータの使用権は、音声テキスト変換モデルの学習を目的とした使用に限定されています。

フレームワークのバージョン

📄 ライセンス

このモデルはMITライセンスの下で提供されています。

ドイツRAG AIチーム

Marcel Rosiak Soumya Paul Siavash Mollaebrahim Zain ul Haq