Whisper Medium Et

🚀 Whisper-medium-et

このモデルは、openai/whisper-medium の Whisper-medium モデルを約800時間の多様なエストニア語データでファインチューニングしたものです。自動音声認識に役立ち、エストニア語の音声を高精度に認識できます。

🚀 クイックスタート

このモデルは、一般的な音声認識タスクに使用できます。HF transformers を介して他の Whisper モデルと同じように使用するか、faster-whisper のような高速デコーダーを使用することができます。

✨ 主な機能

• 一般的な音声認識に適用可能で、放送会話、インタビュー、講演などの様々なシナリオに対応。
• エストニア語の音声を高精度に認識することができます。

📚 ドキュメント

モデルの説明

このモデルは、TalTech の言語技術研究所で訓練された汎用エストニア語 ASR モデルです。

想定される用途と制限

このモデルは、放送会話、インタビュー、講演などの汎用音声認識に使用されることを想定しています。

使用方法

HF transformers を介して他の Whisper モデルと同じように使用するか、faster-whisper のような高速デコーダーを使用することができます。

制限とバイアス

このモデルは主に放送音声とウェブ上のテキストで訓練されているため、以下のような音声の正しいデコードに問題が生じる可能性があります。

• 技術用語やその他の特定分野の用語を含む音声
• 子供の音声
• 非ネイティブの音声
• 非常にノイズの多い条件下で録音された音声、または話者から離れたマイクで録音された音声
• 非常に即興的で重なり合う音声

訓練データ

音響訓練データ:

訓練手順

Espnet を使用してファインチューニングし、その後 この スクリプトを使用して transformers 形式に変換しました。ファインチューニング手順は この モデルと類似しています。

評価結果

WER

以下の WER 結果は、貪欲デコード（すなわち、ビームサイズ 1）を使用して取得されました。

📄 ライセンス

このモデルは CC BY 4.0 ライセンスの下で提供されています。