Viwhisper Medium

🚀 transformers

私たちは、ベトナム語の音声認識タスク用の新しいモデルをリリースしました。このモデルは、新しいデータセットで微調整され、高精度な音声認識を実現します。

🚀 クイックスタート

私たちは、ベトナム語の音声認識タスクに特化した新しいモデルをリリースしました。openai/whisper-medium を新しいデータセット VietSpeech で微調整しています。

📚 ドキュメント

学習データ

* 私たちは、テキスト音声合成モデルを使用して、データセットに含まれない単語を含む文章を生成しました。

WER結果

💻 使用例

基本的な使用法

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import librosa
# load model and processor
processor = WhisperProcessor.from_pretrained("NhutP/ViWhisper-medium")
model = WhisperForConditionalGeneration.from_pretrained("NhutP/ViWhisper-medium")

prefix_ids = model.generation_config.forced_decoder_ids
model.generation_config.input_ids = prefix_ids
model.generation_config.forced_decoder_ids = None

# load a sample
array, sampling_rate = librosa.load('path_to_audio', sr = 16000) # Load some audio sample
input_features = processor(array, sampling_rate=sampling_rate, return_tensors="pt").input_features 
# generate token ids
predicted_ids = model.generate(input_features)
# decode token ids to text
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)

高度な使用法

from transformers import pipeline
pipe = pipeline(
    "automatic-speech-recognition",
    model="NhutP/ViWhisper-medium",
    max_new_tokens=128,
    chunk_length_s=30,
    return_timestamps=False,
    device= '...' # 'cpu' or 'cuda'
) 
output = pipe(path_to_audio_samplingrate_16000)['text']

📄 ライセンス

このプロジェクトはMITライセンスの下で公開されています。

引用

@misc{VSV-1100,
    author = {Pham Quang Nhut and Duong Pham Hoang Anh and Nguyen Vinh Tiep},
    title = {VSV-1100: Vietnamese social voice dataset},
    url = {https://github.com/NhutP/VSV-1100},
    year = {2024}
}

また、このプロジェクトが役に立った場合は、GitHubでスターをしていただけると幸いです: https://github.com/NhutP/ViWhisper

連絡先: 22521061@gm.uit.edu.vn (Pham Quang Nhut)