Distil Whisper Small Cantonese

🚀 Distil-Whisper Small zh-HK - Alvin

本模型是粵語版的精簡模型，在粵語語音識別任務中有著出色的表現。它基於alvanlii/whisper-small-cantonese進行蒸餾，減少了模型的複雜度，同時保持了較高的識別準確率。

🚀 快速開始

本模型是alvanlii/whisper-small-cantonese粵語版本的蒸餾模型。

• 在Common Voice 16.0上，無標點的字符錯誤率（CER）為9.7，有標點的CER為11.59。
• 相較於常規的Whisper small模型的12個解碼器層，本模型僅有3個解碼器層。
• 僅需約2GB的GPU顯存。

✨ 主要特性

• 精簡架構：通過蒸餾技術減少了解碼器層數，降低了模型複雜度。
• 低顯存需求：僅需約2GB的GPU顯存，適合在資源有限的環境中運行。
• 高準確率：在粵語語音識別任務中取得了較低的字符錯誤率。

📦 安裝指南

文檔未提及安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

import librosa

import torch
from transformers import WhisperForConditionalGeneration, WhisperProcessor

y, sr = librosa.load('audio.mp3', sr=16000)

MODEL_NAME = "alvanlii/distil-whisper-small-cantonese"

processor = WhisperProcessor.from_pretrained(MODEL_NAME)
model = WhisperForConditionalGeneration.from_pretrained(MODEL_NAME)

model.config.forced_decoder_ids = None
model.config.suppress_tokens = []
model.config.use_cache = False

processed_in = processor(y, sampling_rate=sr, return_tensors="pt")
gout = model.generate(
    input_features=processed_in.input_features, 
    output_scores=True, return_dict_in_generate=True
)
transcription = processor.batch_decode(gout.sequences, skip_special_tokens=True)[0]
print(transcription)

高級用法

from transformers import pipeline
MODEL_NAME = "alvanlii/distil-whisper-small-cantonese" 
lang = "zh"
pipe = pipeline(
    task="automatic-speech-recognition",
    model=MODEL_NAME,
    chunk_length_s=30,
    device=device,
)
pipe.model.config.forced_decoder_ids = pipe.tokenizer.get_decoder_prompt_ids(language=lang, task="transcribe")
text = pipe(file)["text"]

📚 詳細文檔

訓練和評估數據

訓練數據

• CantoMap：Winterstein, Grégoire, Tang, Carmen和Lai, Regine (2020) "CantoMap: a Hong Kong Cantonese MapTask Corpus"，發表於The 12th Language Resources and Evaluation Conference會議論文集，Marseille: European Language Resources Association, p. 2899 - 2906。
• Cantonse - ASR：Yu, Tiezheng, Frieske, Rita, Xu, Peng, Cahyawijaya, Samuel, Yiu, Cheuk Tung, Lovenia, Holy, Dai, Wenliang, Barezi, Elham, Chen, Qifeng, Ma, Xiaojuan, Shi, Bertram, Fung, Pascale (2022) "Automatic Speech Recognition Datasets in Cantonese: A Survey and New Dataset"，2022。鏈接：https://arxiv.org/pdf/2201.02419.pdf
• Common Voice粵語和zh - HK訓練集

評估數據

使用Common Voice 16.0粵語測試集進行評估。

與Whisper Small的比較

注：推理時間是通過對CV16粵語測試集的平均推理時間計算得出的。

🔧 技術細節

文檔未提供具體的技術實現細節，故跳過此章節。

📄 許可證

本模型採用Apache - 2.0許可證。