Whisper Large V3 Turbo Turkish

🚀 Whisper Large v3 Turbo TR - Selim Çavaş

このモデルは、Common Voice 17.0データセットでopenai/whisper-large-v3-turboをファインチューニングしたバージョンです。評価セットでは以下の結果を達成しています。

• 損失: 0.3123
• 単語誤り率 (Wer): 18.9229

🚀 クイックスタート

このセクションでは、モデルの基本的な使い方を説明します。

✨ 主な機能

このモデルは、以下の様々なアプリケーション分野で使用できます。

• トルコ語の文字起こし
• 音声コマンド
• トルコ語ビデオの自動字幕作成

💻 使用例

基本的な使用法

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "selimc/whisper-large-v3-turbo-turkish"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    chunk_length_s=30,
    batch_size=16,
    return_timestamps=True,
    torch_dtype=torch_dtype,
    device=device,
)

result = pipe("test.mp3")
print(result["text"])

🔧 技術詳細

トレーニングの制約

コラボ環境のGPU制約により、Common Voice 17.0データセットに含まれるトルコ語データの25%のみを使用してトレーニングを行うことができました。😔

余っているGPUがあれば、一緒にこのモデルをさらに改善しましょう！ 🚀

トレーニングの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。

• 学習率: 1e-05
• トレーニングバッチサイズ: 16
• 評価バッチサイズ: 8
• 乱数シード: 42
• オプティマイザ: Adam (betas=(0.9,0.999), epsilon=1e-08)
• 学習率スケジューラの種類: 線形
• 学習率スケジューラのウォームアップステップ: 500
• トレーニングステップ: 4000
• 混合精度トレーニング: Native AMP

トレーニング結果

フレームワークのバージョン

• Transformers 4.45.2
• Pytorch 2.4.1+cu121
• Datasets 3.0.1
• Tokenizers 0.20.1

📄 ライセンス

このモデルはMITライセンスの下で提供されています。