Whisper Kannada Tiny

🚀 Whisper Kannada Tiny

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カンナダ語データで、openai/whisper-tiny 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

このモデルは、複数の公開ASRコーパスからのカンナダ語データで openai/whisper-tiny をファインチューニングしたもので、Whisperファインチューニングスプリントの一環として開発されました。

✨ 主な機能

• カンナダ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。
• 複数の公開ASRコーパスのデータを使用して訓練。
• 高速な推論のための whisper-jax をサポート。

💻 使用例

基本的な使用法

>>> 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-kannada-tiny", chunk_length_s=30, device=device)
>>> transcribe.model.config.forced_decoder_ids = transcribe.tokenizer.get_decoder_prompt_ids(language="kn", task="transcribe")

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

高度な使用法

>>> 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-kannada-tiny", batch_size=16)
>>> transcribe.model.config.forced_decoder_ids = transcribe.tokenizer.get_decoder_prompt_ids(language="kn", 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 Kannada ASR Corpus
• ULCA ASR Corpus
• Shrutilipi ASR Corpus
• Google/Fleurs Train+Dev set

評価データ

• Google/Fleurs Test Set
• IISc-MILE Test Set
• OpenSLR

訓練ハイパーパラメータ

訓練時には以下のハイパーパラメータが使用されました。

• learning_rate: 5e-05
• train_batch_size: 88
• eval_batch_size: 88
• seed: 22
• optimizer: adamw_bnb_8bit
• lr_scheduler_type: linear
• lr_scheduler_warmup_steps: 10000
• training_steps: 15008（収束時に終了。初期設定は51570ステップ）
• mixed_precision_training: True

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。