Whisper Telugu Base

🚀 Whisper Telugu Base

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テルグ語データで、openai/whisper-base をファインチューニングしたバージョンです。Whisper の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: このモデルを学習させ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、以下の手順に従ってください。

✨ 主な機能

• テルグ語の自動音声認識に特化したファインチューニング済みモデル。
• whisper-jaxを使用した高速推論が可能。

📦 インストール

評価コードや推論スクリプトを使用するには、whisper-finetune リポジトリを参照してください。

💻 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推論するには、以下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-telugu-base", chunk_length_s=30, device=device)
>>> transcribe.model.config.forced_decoder_ids = transcribe.tokenizer.get_decoder_prompt_ids(language="te", 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-telugu-base", batch_size=16)
>>> transcribe.model.config.forced_decoder_ids = transcribe.tokenizer.get_decoder_prompt_ids(language="te", task="transcribe")

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

📚 ドキュメント

学習と評価データ

学習データ:

• CSTD IIIT-H 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
• OpenSLR
• Babel Test Set

学習ハイパーパラメータ

学習中に使用されたハイパーパラメータは以下の通りです。

謝辞

この作業は Speech Lab, IIT Madras で行われました。 この作業のコンピューティングリソースは、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。