Whisper Small Cv11 French

🚀 フランス語用自動音声認識のために微調整されたwhisper-smallモデル

このモデルは、openai/whisper-small をベースに、mozilla-foundation/common_voice_11_0のフランス語データセットで微調整されたものです。モデルを使用する際には、音声入力が16Khzでサンプリングされていることを確認してください。このモデルは大文字小文字と句読点も予測します。

🚀 クイックスタート

このモデルは、フランス語の自動音声認識に特化しており、微調整により高精度な認識が可能です。使用する際は、音声入力のサンプリングレートを16Khzに設定する必要があります。

✨ 主な機能

• フランス語の自動音声認識に特化した微調整モデル
• 大文字小文字と句読点の予測が可能
• 16Khzの音声入力に最適化

📚 ドキュメント

性能

以下は、事前学習モデルの Common Voice 9.0、Multilingual LibriSpeech、Voxpopuli および Fleurs でのWER（単語誤り率）です。これらの結果は、元の 論文 に報告されています。

以下は、微調整されたモデルの Common Voice 11.0、Multilingual LibriSpeech、Voxpopuli および Fleurs でのWERです。これらの評価データセットは、フランス語のアルファベット文字のみを含むようにフィルタリングおよび前処理されており、アポストロフィ以外の句読点は削除されています。表の結果は WER (貪欲探索) / WER (ビーム幅5のビーム探索) として報告されています。

💻 使用例

基本的な使用法

🤗 Pipelineを使用した推論

import torch

from datasets import load_dataset
from transformers import pipeline

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

# パイプラインの読み込み
pipe = pipeline("automatic-speech-recognition", model="bofenghuang/whisper-small-cv11-french", device=device)

# 注意: 生成ユーティリティのためにforced_decoder_idsを設定
pipe.model.config.forced_decoder_ids = pipe.tokenizer.get_decoder_prompt_ids(language="fr", task="transcribe")

# データの読み込み
ds_mcv_test = load_dataset("mozilla-foundation/common_voice_11_0", "fr", split="test", streaming=True)
test_segment = next(iter(ds_mcv_test))
waveform = test_segment["audio"]

# 実行
generated_sentences = pipe(waveform, max_new_tokens=225)["text"]  # 貪欲探索
# generated_sentences = pipe(waveform, max_new_tokens=225, generate_kwargs={"num_beams": 5})["text"]  # ビーム探索

# 必要に応じて予測された文を正規化

🤗 低レベルAPIを使用した推論

import torch
import torchaudio

from datasets import load_dataset
from transformers import AutoProcessor, AutoModelForSpeechSeq2Seq

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

# モデルの読み込み
model = AutoModelForSpeechSeq2Seq.from_pretrained("bofenghuang/whisper-small-cv11-french").to(device)
processor = AutoProcessor.from_pretrained("bofenghuang/whisper-small-cv11-french", language="french", task="transcribe")

# 注意: 生成ユーティリティのためにforced_decoder_idsを設定
model.config.forced_decoder_ids = processor.get_decoder_prompt_ids(language="fr", task="transcribe")

# 16_000
model_sample_rate = processor.feature_extractor.sampling_rate

# データの読み込み
ds_mcv_test = load_dataset("mozilla-foundation/common_voice_11_0", "fr", split="test", streaming=True)
test_segment = next(iter(ds_mcv_test))
waveform = torch.from_numpy(test_segment["audio"]["array"])
sample_rate = test_segment["audio"]["sampling_rate"]

# リサンプリング
if sample_rate != model_sample_rate:
    resampler = torchaudio.transforms.Resample(sample_rate, model_sample_rate)
    waveform = resampler(waveform)

# 特徴量の取得
inputs = processor(waveform, sampling_rate=model_sample_rate, return_tensors="pt")
input_features = inputs.input_features
input_features = input_features.to(device)

# 生成
generated_ids = model.generate(inputs=input_features, max_new_tokens=225)  # 貪欲探索
# generated_ids = model.generate(inputs=input_features, max_new_tokens=225, num_beams=5)  # ビーム探索

# デトークナイズ
generated_sentences = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

# 必要に応じて予測された文を正規化

📄 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。