Whisper Hindi2Hinglish Swift

🚀 Whisper-Hindi2Hinglish-Swift

Whisper-Hindi2Hinglish-Swift 是一款基於 Whisper 架構的自動語音識別模型，它能夠將音頻轉錄為 Hinglish 語言，減少語法錯誤的可能性，同時還能有效減少轉錄幻覺，提高識別準確性。

🚀 快速開始

本模型可通過 transformers 庫或 openai-whisper 模塊使用，具體使用方法請參考 使用示例 部分。

✨ 主要特性

1. 支持 Hinglish 語言：能夠將音頻轉錄為 Hinglish 語言，減少語法錯誤的可能性。
2. 基於 Whisper 架構：基於 Whisper 架構，便於與 transformers 包集成使用。
3. 減少轉錄幻覺：最大程度減少轉錄幻覺，提高識別準確性。
4. 性能提升：與預訓練模型相比，在基準測試數據集上的平均性能提升約 57%。

📦 安裝指南

使用 transformers 庫

pip install --upgrade transformers

使用 openai-whisper 模塊

pip install -U openai-whisper tqdm

💻 使用示例

基礎用法

使用 transformers 庫進行音頻轉錄：

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset

# Set device (GPU if available, otherwise CPU) and precision
device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

# Specify the pre-trained model ID
model_id = "Oriserve/Whisper-Hindi2Hinglish-Swift"

# Load the speech-to-text model with specified configurations
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, 
    torch_dtype=torch_dtype,        # Use appropriate precision (float16 for GPU, float32 for CPU)
    low_cpu_mem_usage=True,         # Optimize memory usage during loading
    use_safetensors=True            # Use safetensors format for better security
)
model.to(device)                    # Move model to specified device

# Load the processor for audio preprocessing and tokenization
processor = AutoProcessor.from_pretrained(model_id)

# Create speech recognition pipeline
pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    torch_dtype=torch_dtype,
    device=device,
    generate_kwargs={
        "task": "transcribe",       # Set task to transcription
        "language": "en"            # Specify English language
    }
)

# Process audio file and print transcription
sample = "sample.wav"               # Input audio file path
result = pipe(sample)               # Run inference
print(result["text"])               # Print transcribed text

高級用法

使用 openai-whisper 模塊進行音頻轉錄：

import torch
from transformers import AutoModelForSpeechSeq2Seq
import re
from tqdm import tqdm
from collections import OrderedDict
import json

# Load parameter name mapping from HF to OpenAI format
with open('convert_hf2openai.json', 'r') as f:
    reverse_translation = json.load(f)

reverse_translation = OrderedDict(reverse_translation)

def save_model(model, save_path):
    def reverse_translate(current_param):
        # Convert parameter names using regex patterns
        for pattern, repl in reverse_translation.items():
            if re.match(pattern, current_param):
                return re.sub(pattern, repl, current_param)

    # Extract model dimensions from config
    config = model.config
    model_dims = {
        "n_mels": config.num_mel_bins,           # Number of mel spectrogram bins
        "n_vocab": config.vocab_size,            # Vocabulary size
        "n_audio_ctx": config.max_source_positions,    # Max audio context length
        "n_audio_state": config.d_model,         # Audio encoder state dimension
        "n_audio_head": config.encoder_attention_heads,  # Audio encoder attention heads
        "n_audio_layer": config.encoder_layers,   # Number of audio encoder layers
        "n_text_ctx": config.max_target_positions,     # Max text context length
        "n_text_state": config.d_model,          # Text decoder state dimension
        "n_text_head": config.decoder_attention_heads,  # Text decoder attention heads
        "n_text_layer": config.decoder_layers,    # Number of text decoder layers
    }

    # Convert model state dict to Whisper format
    original_model_state_dict = model.state_dict()
    new_state_dict = {}

    for key, value in tqdm(original_model_state_dict.items()):
        key = key.replace("model.", "")          # Remove 'model.' prefix
        new_key = reverse_translate(key)         # Convert parameter names
        if new_key is not None:
            new_state_dict[new_key] = value

    # Create final model dictionary
    pytorch_model = {"dims": model_dims, "model_state_dict": new_state_dict}

    # Save converted model
    torch.save(pytorch_model, save_path)

# Load Hugging Face model
model_id = "Oriserve/Whisper-Hindi2Hinglish-Swift"
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, 
    low_cpu_mem_usage=True,        # Optimize memory usage
    use_safetensors=True           # Use safetensors format
)

# Convert and save model
model_save_path = "Whisper-Hindi2Hinglish-Swift.pt"
save_model(model,model_save_path)

import whisper
# Load converted model with Whisper and transcribe
model = whisper.load_model("Whisper-Hindi2Hinglish-Swift.pt")
result = model.transcribe("sample.wav")
print(result["text"])

📚 詳細文檔

訓練數據

• 時長：共使用了約 550 小時的帶有印度口音的嘈雜印地語數據對模型進行微調。
• 數據收集：由於缺乏現成的適用於自動語音識別的 Hinglish 數據集，因此使用了專門策劃的專有數據集。
• 數據標註：使用 SOTA 模型對數據進行標註，並通過人工干預改進轉錄結果。
• 數據質量：由於模型的預期使用場景是在背景噪音豐富的印度環境中，因此重點收集了嘈雜的數據。
• 數據處理：確保音頻被分割成長度小於 30 秒的片段，並且每個片段中最多有 2 個說話者。為了不改變源數據的質量，未進行進一步的處理步驟。

微調過程

• 自定義訓練器架構：編寫了自定義訓練器，以確保高效的有監督微調，並使用自定義回調函數在訓練過程中提供更高的可觀測性。
• 自定義動態層凍結：通過使用預訓練模型對部分訓練數據進行推理，確定模型中最活躍的層。在訓練過程中，保持這些層不凍結，而其他層則保持凍結狀態，從而實現更快的收斂和高效的微調。
• 集成 DeepSpeed：使用 DeepSpeed 加速和優化訓練過程。

🔧 技術細節

本模型基於 Whisper 架構，使用了約 550 小時的帶有印度口音的嘈雜印地語數據進行微調。在微調過程中，採用了自定義訓練器架構、自定義動態層凍結和集成 DeepSpeed 等技術，以提高模型的性能和訓練效率。

📄 許可證

本模型採用 Apache-2.0 許可證。

性能概述

定性性能概述

定量性能概述

⚠️ 重要提示

以下 WER 分數是本模型和原始 Whisper 模型生成的 Hinglish 文本的分數。若要查看本模型與其他 SOTA 模型在現實場景中的性能對比，請訪問 語音轉文本競技場。

其他信息

本模型是 Oriserve 訓練的基於 Transformer 的自動語音識別模型家族的一員。若要將本模型與同家族的其他模型或其他 SOTA 模型進行比較，請訪問 語音轉文本競技場。如需瞭解更多關於我們其他模型的信息，或有關於 AI 語音代理的其他問題，請通過電子郵件 ai-team@oriserve.com 聯繫我們。