Kotoba Whisper V2.0 Faster

🚀 Whisper kotoba-whisper-v2.0モデル for CTranslate2

このリポジトリには、kotoba-tech/kotoba-whisper-v2.0をCTranslate2モデル形式に変換したものが含まれています。

このモデルは、CTranslate2またはCTranslate2に基づくプロジェクト（例：faster-whisper）で使用することができます。

🚀 クイックスタート

📦 インストール

ライブラリをインストールし、サンプルオーディオをダウンロードします。

pip install faster-whisper
wget https://huggingface.co/kotoba-tech/kotoba-whisper-v1.0-ggml/resolve/main/sample_ja_speech.wav

💻 使用例

基本的な使用法

kotoba-whisper-v2.0-fasterを使用した推論の例です。

from faster_whisper import WhisperModel

model = WhisperModel("kotoba-tech/kotoba-whisper-v2.0-faster")

segments, info = model.transcribe("sample_ja_speech.wav", language="ja", chunk_length=15, condition_on_previous_text=False)
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

🔧 技術詳細

ベンチマーク

以下のスペックのMacBook Proで、4つの異なる日本語音声オーディオに対して、異なるkotoba-whisper-v2.0の実装の推論速度を測定しました。

• Apple M2 Pro
• 32GB
• 14インチ、2023年製
• OS Sonoma Version 14.4.1 (23E224)

実験を再実行するためのスクリプトは以下にあります。

• whisper.cpp
• faster-whisper
• hf pipeline

また、現在、whisper.cppとfaster-whisperはsequential long-form decodingをサポートしており、Huggingface pipelineのみがchunked long-form decodingをサポートしています。経験的に、chunked long-form decodingの方がsequential long-form decodingよりも優れていることがわかっています。

変換詳細

元のモデルは以下のコマンドで変換されました。

ct2-transformers-converter --model kotoba-tech/kotoba-whisper-v2.0 --output_dir kotoba-whisper-v2.0-faster \
    --copy_files tokenizer.json preprocessor_config.json --quantization float16

モデルの重みはFP16で保存されています。この型は、モデルを読み込む際にCTranslate2のcompute_typeオプションを使用して変更することができます。

📚 詳細ドキュメント

kotoba-whisper-v2.0に関する詳細情報については、元のモデルカードを参照してください。

📄 ライセンス

このプロジェクトはMITライセンスの下で公開されています。