Asr Whisper Medium Commonvoice Fa

🚀 whisper medium を CommonVoice-14.0 ファルシ語でファインチューニング

このリポジトリは、SpeechBrain内でCommonVoice（ファルシ語）でファインチューニングされたエンドツーエンドのwhisperモデルを使用して自動音声認識を行うために必要なすべてのツールを提供しています。より良い体験を得るために、SpeechBrainについてもっと学ぶことをおすすめします。

モデルのパフォーマンスは以下の通りです。

🚀 クイックスタート

✨ 主な機能

この自動音声認識（ASR）システムは、whisperのエンコーダー・デコーダーブロックで構成されています。

• 事前学習されたwhisper-mediumエンコーダーは凍結されています。
• 事前学習されたWhisperトークナイザーが使用されます。
• 事前学習されたWhisper-mediumデコーダー（openai/whisper-medium）がCommonVoiceのファルシ語データでファインチューニングされています。
• 得られた最終的な音響表現は貪欲デコーダーに渡されます。

このシステムは、16kHzでサンプリングされた録音（単チャンネル）で学習されています。コードは、transcribe_file を呼び出す際に必要に応じて自動的にオーディオを正規化します（リサンプリング + モノチャンネル選択）。

📦 インストール

まず、以下のコマンドでtranformersとSpeechBrainをインストールしてください。

pip install speechbrain transformers

SpeechBrainについて詳しく学ぶことをおすすめします。

💻 使用例

基本的な使用法

# 独自のオーディオファイル（ファルシ語）を文字起こしする
from speechbrain.inference.ASR import WhisperASR

asr_model = WhisperASR.from_hparams(source="speechbrain/asr-whisper-medium-commonvoice-fa", savedir="pretrained_models/asr-whisper-medium-commonvoice-fa")
asr_model.transcribe_file("speechbrain/asr-whisper-medium-commonvoice-fa/example-fa.mp3")

高度な使用法

GPUで推論を行うには、from_hparams メソッドを呼び出す際に run_opts={"device":"cuda"} を追加します。

学習方法

このモデルはSpeechBrainで学習されています。ゼロから学習するには、以下の手順に従ってください。

1. SpeechBrainをクローンします。

git clone https://github.com/speechbrain/speechbrain/

2. インストールします。

cd speechbrain
pip install -r requirements.txt
pip install -e .

3. 学習を実行します。

cd recipes/CommonVoice/ASR/transformer/
python train_with_whisper.py hparams/train_fa_hf_whisper.yaml --data_folder=your_data_folder

学習結果（モデル、ログなど）はこちらで確認できます。

🔧 技術詳細

📄 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。

制限事項

SpeechBrainチームは、このモデルを他のデータセットで使用した場合のパフォーマンスについて一切保証しません。

SpeechBrainの引用方法

@misc{SB2021,
    author = {Ravanelli, Mirco and Parcollet, Titouan and Rouhe, Aku and Plantinga, Peter and Rastorgueva, Elena and Lugosch, Loren and Dawalatabad, Nauman and Ju-Chieh, Chou and Heba, Abdel and Grondin, Francois and Aris, William and Liao, Chien-Feng and Cornell, Samuele and Yeh, Sung-Lin and Na, Hwidong and Gao, Yan and Fu, Szu-Wei and Subakan, Cem and De Mori, Renato and Bengio, Yoshua },
    title = {SpeechBrain},
    year = {2021},
    publisher = {GitHub},
    journal = {GitHub repository},
    howpublished = {\\\\url{https://github.com/speechbrain/speechbrain}},
  }

SpeechBrainについて

SpeechBrainはオープンソースの統合音声ツールキットです。シンプルで、非常に柔軟性が高く、使いやすく設計されています。様々なドメインで競争力のある、または最先端のパフォーマンスが得られます。

• ウェブサイト: https://speechbrain.github.io/
• GitHub: https://github.com/speechbrain/speechbrain