Whisper Large V3 Russian

🚀 トランスフォーマー

このライブラリは、音声認識（ASR）に特化したモデルを提供します。特に、Whisperモデルを用いて、ロシア語の音声認識を高精度に行うことができます。

🚀 クイックスタート

モデルの詳細

このモデルは、openai/whisper-large-v3 をファインチューニングして、ロシア語のサポートを強化したバージョンです。

ファインチューニングに使用されたデータセットは、Common Voice 17.0のロシア語部分で、20万件以上のデータが含まれています。

元のデータセットを前処理（すべての分割を混合し、新しいトレーニングとテストの分割を0.95/0.05、つまりそれぞれ225761/11883行に分割）した後、元のWhisper v3の単語誤り率（WER）は9.84ですが、ファインチューニングされたバージョンは6.39（現時点で）を示しています。

ファインチューニングのプロセスは、デュアルTesla A100 80Gbで60時間以上かかりました。

📦 インストール

このモデルを使用するには、transformers ライブラリをインストールする必要があります。

pip install transformers

💻 使用例

基本的な使用法

電話通話を処理する場合、音声認識（ASR）を実行する前に、レコードを前処理して音量を調整することを強くお勧めします。例えば、次のようにします。

sox record.wav -r 16k record-normalized.wav norm -0.5 compand 0.3,1 -90,-90,-70,-70,-60,-20,0,0 -5 0 0.2

次に、ASRコードは次のようになります。

import torch
from transformers import WhisperForConditionalGeneration, WhisperProcessor, pipeline

torch_dtype = torch.bfloat16 # ここで好みの型を設定します

device = 'cpu'
if torch.cuda.is_available():
    device = 'cuda'
elif torch.backends.mps.is_available():
    device = 'mps'
    setattr(torch.distributed, "is_initialized", lambda : False) # モンキーパッチ

device = torch.device(device)

whisper = WhisperForConditionalGeneration.from_pretrained(
    "antony66/whisper-large-v3-russian", torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True,
    # GPUがサポートしている場合は、attn_implementation="flash_attention_2"を追加します
)

processor = WhisperProcessor.from_pretrained("antony66/whisper-large-v3-russian")

asr_pipeline = pipeline(
    "automatic-speech-recognition",
    model=whisper,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    max_new_tokens=256,
    chunk_length_s=30,
    batch_size=16,
    return_timestamps=True,
    torch_dtype=torch_dtype,
    device=device,
)

# wavファイルを変数wavに読み込みます。例えば：
from io import BytesIO
wav = BytesIO()
with open('record-normalized.wav', 'rb') as f:
    wav.write(f.read())
wav.seek(0)

# 文字起こしを取得します
asr = asr_pipeline(wav, generate_kwargs={"language": "russian", "max_new_tokens": 256}, return_timestamps=False)

print(asr['text'])

🔧 開発中

このモデルは現在開発中です。目標は、電話通話の音声認識にできるだけ適したモデルをファインチューニングすることです。もしあなたが貢献したい場合や、良いデータセットを持っている場合は、ぜひ教えてください。あなたの助けを大いに歓迎します。