Hviske Tiske

🚀 HviskeTiske

Hviske-Tiskeは、おそらく最速のデンマーク語の自動音声認識（ASR）モデルです。このモデルはhviske-v2の蒸留バージョンで、hviske-v2に比べて精度を大きく損なうことなく約4倍の速度向上を実現しています。これにより、最速でかつほぼ最も正確なオープンソースのデンマーク語文字起こしモデルとなっています。長い音声ファイル（30分以上）では、1ファイルあたり17秒の差が見られます。また、このモデルはGPUのVRAM使用量が半分で済むため、ハードウェア要件も低く抑えられます。

🚀 クイックスタート

Hviske-Tiskeは、デンマーク語の自動音声認識に特化した高速かつ高精度なモデルです。このモデルを使用することで、音声ファイルの文字起こしを効率的に行うことができます。

✨ 主な機能

• 高速処理: Hviske-v2に比べて約4倍の速度向上。
• 高精度: 精度を大きく損なうことなく高速化。
• 省VRAM: GPUのVRAM使用量が半分で済む。

📦 インストール

本モデルは、faster-whisperのようなCTranslate2をサポートするPythonライブラリで使用できます。

💻 使用例

基本的な使用法

from faster_whisper import WhisperModel

model = WhisperModel("pluttodk/hviske-tiske")

segments, info = model.transcribe("audio.mp3")
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

高度な使用法

# 高度な使用シーンについての説明
# 例えば、モデルのロード時にcompute_typeオプションを使用してモデルの型を変更することができます。
from faster_whisper import WhisperModel

model = WhisperModel("pluttodk/hviske-tiske", compute_type="float32")

segments, info = model.transcribe("audio.mp3")
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

📚 ドキュメント

変換

元のモデルは、Githubのロジックを使用して変換されています。モデルの重みはFP16形式で保存されており、これにより最大のパフォーマンスが得られます。ただし、CTranslate2のcompute_typeオプションを使用してモデルをロードする際に、この型を変更することができます。

パフォーマンス

パフォーマンスはalexandrainst/coralデータセットで評価されており、すべての音声クリップが5秒です。これは、このケースでのパフォーマンスを代表しています。簡単なテストでは、より長い音声ファイルでも同様のパフォーマンスが得られることが示唆されています。

📄 ライセンス

本モデルはOpenRailライセンスの下で提供されています。