Pathumma Whisper Th Medium

🚀 Pathumma Whisper Medium (Th)

このモデルは自動音声認識タスクに特化したモデルで、OpenAIのWhisper - Mediumをベースに構築されています。

🚀 クイックスタート

pipeline クラスを使用すると、以下のコードスニペットで音声ファイルを文字起こしできます。

基本的な使用法

import torch
from transformers import pipeline

device = "cuda" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.bfloat16 if torch.cuda.is_available() else torch.float32

lang = "th"
task = "transcribe"

pipe = pipeline(
    task="automatic-speech-recognition",
    model="nectec/Pathumma-whisper-th-medium",
    torch_dtype=torch_dtype,
    device=device,
)
pipe.model.config.forced_decoder_ids = pipe.tokenizer.get_decoder_prompt_ids(language=lang, task=task)

text = pipe("audio_path.wav")["text"]
print(text)

📄 ライセンス

このモデルはApache - 2.0ライセンスの下で提供されています。

謝辞

AIResearch、BiodatLab、Looloo Technology、SCB 10X、OpenAIなどのオープン音声モデルの作成に携わった研究チームに感謝を表します。また、評価パイプラインを提供してくれたBiodatLabのTitipat Achakulwisut博士に感謝します。モデルのトレーニング、微調整、評価に使用されるLANTAを提供してくれたThaiSC（NSTDA Supercomputer Centre）にも感謝します。

Pathumma Audioチーム

Pattara Tipaksorn、Wayupuk Sommuang、Kwanchiva Thangthai

引用

@misc{tipaksorn2024PathummaWhisper,
    title        = { {Pathumma Whisper Medium (TH)} },
    author       = { Pattara Tipaksorn and Wayupuk Sommuang and Kwanchiva Thangthai },
    url          = { https://huggingface.co/nectec/Pathumma-whisper-th-medium },
    publisher    = { Hugging Face },
    year         = { 2024 },
}