Haitian Speech To Text

🚀 ハイチ語音声テキスト変換モデル

このリポジトリには、ハイチ語用に微調整されたWhisper ASR（自動音声認識）モデルが含まれています。このモデルはHugging Face上でホストされており、すぐに使用できます。

🚀 クイックスタート

このモデルはHugging Faceのモデルハブから直接使用することができます。以下にPythonでの簡単な使用例を示します。

基本的な使用法

# 元のコードとコメントを保持
from transformers import WhisperProcessor, WhisperForConditionalGeneration
import torchaudio

# load model and processor
processor = WhisperProcessor.from_pretrained("ZeeshanGeoPk/haitian-speech-to-text")
model = WhisperForConditionalGeneration.from_pretrained("ZeeshanGeoPk/haitian-speech-to-text")

# read audio files
sample_path = "path/to/audio.wav"
# load audio file using torchaudio
waveform, sample_rate = torchaudio.load(sample_path)

# resample if needed (Whisper model requires 16kHz)
if sample_rate != 16000:
    resampler = torchaudio.transforms.Resample(sample_rate, 16000)
    waveform = resampler(waveform)
    sample_rate = 16000

# ensure mono channel
if waveform.shape[0] > 1:
    waveform = waveform.mean(dim=0, keepdim=True)

# process audio using Whisper processor
input_features = processor(waveform.numpy(), sampling_rate=sample_rate, return_tensors="pt").input_features

# generate token ids
predicted_ids = model.generate(input_features)
# decode token ids to text
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)
print(transcription)

✨ 主な機能

このモデルは、ハイチ語の音声をテキストに高精度に変換することができます。具体的には、単語誤り率（WER）が0.19126となっており、高い精度を示しています。

📦 インストール

このモデルはHugging Face上でホストされているため、特別なインストール手順は必要ありません。Pythonコードから直接利用することができます。

📚 ドキュメント

性能

このモデルは、単語誤り率（WER）が0.19126となっており、ハイチ語の音声をテキストに変換する際の高精度を示しています。

学習

このモデルは学習率1e - 5で学習されました。

📄 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。