Whisper Tamil Large V2

🚀 Whisper Tamil Large-v2

このモデルは、複数の公開されている自動音声認識（ASR）コーパスから入手可能なタミル語データを使用して、openai/whisper-large-v2 をファインチューニングしたバージョンです。Whisperファインチューニングスプリントの一環としてファインチューニングされました。

注意: このモデルを訓練するために使用されたコードは、whisper-finetune リポジトリで再利用可能です。

🚀 クイックスタート

このモデルを使用するには、以下の情報を参考にしてください。

💻 使用例

基本的な使用法

単一の音声ファイルをこのモデルで文字起こしするには、次のコードスニペットを使用できます。

>>> import torch
>>> from transformers import pipeline

>>> # path to the audio file to be transcribed
>>> audio = "/path/to/audio.format"
>>> device = "cuda:0" if torch.cuda.is_available() else "cpu"

>>> transcribe = pipeline(task="automatic-speech-recognition", model="vasista22/whisper-tamil-large-v2", chunk_length_s=30, device=device)
>>> transcribe.model.config.forced_decoder_ids = transcribe.tokenizer.get_decoder_prompt_ids(language="ta", task="transcribe")

>>> print('Transcription: ', transcribe(audio)["text"])

高度な使用法

Whisperモデルの高速推論には、whisper-jax ライブラリを使用できます。以下のコードスニペットを使用する前に、こちら に記載されている必要なインストール手順に従ってください。

>>> import jax.numpy as jnp
>>> from whisper_jax import FlaxWhisperForConditionalGeneration, FlaxWhisperPipline

>>> # path to the audio file to be transcribed
>>> audio = "/path/to/audio.format"

>>> transcribe = FlaxWhisperPipline("vasista22/whisper-tamil-large-v2", batch_size=16)
>>> transcribe.model.config.forced_decoder_ids = transcribe.tokenizer.get_decoder_prompt_ids(language="ta", task="transcribe")

>>> print('Transcription: ', transcribe(audio)["text"])

📚 ドキュメント

訓練と評価データ

訓練データ

• IISc-MILE Tamil ASR Corpus
• ULCA ASR Corpus
• Shrutilipi ASR Corpus
• Microsoft Speech Corpus (Indian Languages)
• Google/Fleurs Train+Dev set
• Babel ASR Corpus

評価データ

• Microsoft Speech Corpus (Indian Languages) Test Set
• Google/Fleurs Test Set
• IISc-MILE Test Set
• Babel Test Set

訓練ハイパーパラメータ

訓練中に使用されたハイパーパラメータは次の通りです。

• learning_rate: 0.75e-05
• train_batch_size: 8
• eval_batch_size: 24
• seed: 22
• optimizer: adamw_bnb_8bit
• lr_scheduler_type: linear
• lr_scheduler_warmup_steps: 22000
• training_steps: 52500 (当初は76000ステップに設定)
• mixed_precision_training: True

謝辞

この研究は、Speech Lab, IIT Madras で行われました。

この研究のための計算リソースは、インド政府の電子情報技術省（MeitY）の「Bhashini: National Language translation Mission」プロジェクトによって提供されました。

📄 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。