Whisper Telugu Large V2

🚀 Whisper Telugu 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テルグ語データで、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: このモデルをトレーニング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。

✨ 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。
• 複数の公開ASRコーパスのデータを使用してトレーニング。
• whisper-jaxを使用した高速推論のサポート。

📦 インストール

このモデルを使用するために必要な依存関係は、whisper-finetune リポジトリに記載されています。

💻 使用例

基本的な使用法

単一の音声ファイルを認識するには、以下のコードを使用します。

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

>>> # 文字起こしする音声ファイルのパス
>>> 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-large-v2", 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-jaxを使用した高速推論には、以下のコードを使用します。ただし、事前に こちら に記載されたインストール手順を実行する必要があります。

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

>>> # 文字起こしする音声ファイルのパス
>>> audio = "/path/to/audio.format"

>>> transcribe = FlaxWhisperPipline("vasista22/whisper-telugu-large-v2", 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

トレーニングと評価データ

トレーニングデータ

• 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

トレーニングハイパーパラメータ

トレーニング中に使用されたハイパーパラメータは以下の通りです。

🔧 技術詳細

このモデルは、Whisperの大規模モデルをテルグ語データでファインチューニングしています。トレーニングには、複数の公開ASRコーパスのデータを使用しており、特定のハイパーパラメータを設定して最適化しています。

📄 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。

謝辞

この研究は Speech Lab, IIT Madras で行われました。 この研究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。