Whisper Small Cv11 German

🚀 ドイツ語の自動音声認識用にファインチューニングされたwhisper-smallモデル

このモデルは、openai/whisper-smallをファインチューニングしたもので、mozilla-foundation/common_voice_11_0のドイツ語データセットで学習されています。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

このドイツ語の自動音声認識用にファインチューニングされたwhisper-smallモデルを使うことで、高精度な音声認識が可能になります。以下では、このモデルの性能や使用方法について説明します。

✨ 主な機能

• ドイツ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です。
• 大文字小文字と句読点の予測が可能です。
• 🤗 Pipelineや🤗 low - level APIsを使った推論がサポートされています。

📦 インストール

このモデルを使用するためには、必要なライブラリをインストールする必要があります。以下のコマンドで必要なライブラリをインストールできます。

pip install transformers datasets torchaudio torch

💻 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")

# Load pipeline
pipe = pipeline("automatic-speech-recognition", model="bofenghuang/whisper-small-cv11-german", device=device)

# NB: set forced_decoder_ids for generation utils
pipe.model.config.forced_decoder_ids = pipe.tokenizer.get_decoder_prompt_ids(language="de", task="transcribe")

# Load data
ds_mcv_test = load_dataset("mozilla-foundation/common_voice_11_0", "de", split="test", streaming=True)
test_segment = next(iter(ds_mcv_test))
waveform = test_segment["audio"]

# NB: decoding option
# limit the maximum number of generated tokens to 225
pipe.model.config.max_length = 225 + 1
# sampling
# pipe.model.config.do_sample = True
# beam search
# pipe.model.config.num_beams = 5
# return
# pipe.model.config.return_dict_in_generate = True
# pipe.model.config.output_scores = True
# pipe.model.config.num_return_sequences = 5

# Run
generated_sentences = pipe(waveform)["text"]

🤗 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")

# Load model
model = AutoModelForSpeechSeq2Seq.from_pretrained("bofenghuang/whisper-small-cv11-german").to(device)
processor = AutoProcessor.from_pretrained("bofenghuang/whisper-small-cv11-german", language="german", task="transcribe")

# NB: set forced_decoder_ids for generation utils
model.config.forced_decoder_ids = processor.get_decoder_prompt_ids(language="de", task="transcribe")

# 16_000
model_sample_rate = processor.feature_extractor.sampling_rate

# Load data
ds_mcv_test = load_dataset("mozilla-foundation/common_voice_11_0", "de", 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"]

# Resample
if sample_rate != model_sample_rate:
    resampler = torchaudio.transforms.Resample(sample_rate, model_sample_rate)
    waveform = resampler(waveform)

# Get feat
inputs = processor(waveform, sampling_rate=model_sample_rate, return_tensors="pt")
input_features = inputs.input_features
input_features = input_features.to(device)

# Generate
generated_ids = model.generate(inputs=input_features, max_new_tokens=225)  # greedy
# generated_ids = model.generate(inputs=input_features, max_new_tokens=225, num_beams=5)  # beam search

# Detokenize
generated_sentences = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

# Normalise predicted sentences if necessary

📚 ドキュメント

性能

以下は、Common Voice 9.0における事前学習モデルの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、Common Voice 11.0におけるファインチューニング済みモデルのWERです。

📄 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。