Whisper Large V3 Taiwanese Hakka

🚀 whisper-large-v3-taiwanese-hakka

このモデルは、台湾客家語版のopenai/whisper-large-v3をファインチューニングしたものです。学習時に各方言のIDをプロンプトとして使用し、複数の方言を使ってWhisperをファインチューニングする際にプロンプトを追加することで、より良い結果が得られるかを実験しました。

✨ 主な機能

このモデルは、自動音声認識に特化しており、台湾客家語の複数の方言を認識することができます。

📦 インストール

このモデルを使用するには、transformersライブラリが必要です。以下のコマンドでインストールできます。

pip install transformers

💻 使用例

基本的な使用法

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32
model_id = "formospeech/whisper-large-v3-taiwanese-hakka"
dialect_id = "htia_sixian"
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,
    torch_dtype=torch_dtype,
    device=device,
)
generate_kwargs = {"language": "Chinese", "prompt_ids": torch.from_numpy(processor.get_prompt_ids(dialect_id)).to(device)}
transcription = pipe("path/to/my_audio.wav", generate_kwargs=generate_kwargs)
print(transcription.replace(f" {dialect_id}", ""))

🔧 技術詳細

方言とID

学習プロセス

このモデルの学習は、以下のハイパーパラメータを使用して行われました。

📄 ライセンス

このモデルは、CC BY-NC 4.0ライセンスの下で提供されています。