Whisper Large V2 French

🚀 用於法語自動語音識別的微調版whisper-large-v2模型

該模型是 openai/whisper-large-v2 的微調版本，在包含超過2200小時法語語音音頻的複合數據集上進行訓練。這些數據集來自 Common Voice 11.0、Multilingual LibriSpeech、Voxpopuli、Fleurs、Multilingual TEDx、MediaSpeech 和 African Accented French 的訓練集和驗證集。使用該模型時，請確保語音輸入的採樣率為16Khz。該模型不會預測大小寫或標點符號。

🚀 快速開始

本模型可用於法語的自動語音識別任務。使用前需確保語音輸入採樣率為16Khz，且該模型不會預測大小寫和標點符號。

✨ 主要特性

• 基於微調的 openai/whisper-large-v2 模型，在多數據集上訓練，提升法語語音識別能力。
• 可使用 🤗 Pipeline 或 🤗 底層API進行推理。

📦 安裝指南

文檔未提及安裝步驟，可參考 🤗 Transformers 庫的安裝方式。

💻 使用示例

基礎用法

使用 🤗 Pipeline 進行推理：

import torch

from datasets import load_dataset
from transformers import pipeline

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

# Load pipeline
pipe = pipeline("automatic-speech-recognition", model="bofenghuang/whisper-large-v2-french", device=device)

# NB: set forced_decoder_ids for generation utils
pipe.model.config.forced_decoder_ids = pipe.tokenizer.get_decoder_prompt_ids(language="fr", task="transcribe")

# Load data
ds_mcv_test = load_dataset("mozilla-foundation/common_voice_11_0", "fr", split="test", streaming=True)
test_segment = next(iter(ds_mcv_test))
waveform = test_segment["audio"]

# Run
generated_sentences = pipe(waveform, max_new_tokens=225)["text"]  # greedy
# generated_sentences = pipe(waveform, max_new_tokens=225, generate_kwargs={"num_beams": 5})["text"]  # beam search

# Normalise predicted sentences if necessary

高級用法

使用 🤗 底層API進行推理：

import torch
import torchaudio

from datasets import load_dataset
from transformers import AutoProcessor, AutoModelForSpeechSeq2Seq

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

# Load model
model = AutoModelForSpeechSeq2Seq.from_pretrained("bofenghuang/whisper-large-v2-french").to(device)
processor = AutoProcessor.from_pretrained("bofenghuang/whisper-large-v2-french", language="french", task="transcribe")

# NB: set forced_decoder_ids for generation utils
model.config.forced_decoder_ids = processor.get_decoder_prompt_ids(language="fr", task="transcribe")

# 16_000
model_sample_rate = processor.feature_extractor.sampling_rate

# Load data
ds_mcv_test = load_dataset("mozilla-foundation/common_voice_11_0", "fr", split="test", streaming=True)
test_segment = next(iter(ds_mcv_test))
waveform = torch.from_numpy(test_segment["audio"]["array"])
sample_rate = test_segment["audio"]["sampling_rate"]

# Resample
if sample_rate != model_sample_rate:
    resampler = torchaudio.transforms.Resample(sample_rate, model_sample_rate)
    waveform = resampler(waveform)

# Get feat
inputs = processor(waveform, sampling_rate=model_sample_rate, return_tensors="pt")
input_features = inputs.input_features
input_features = input_features.to(device)

# Generate
generated_ids = model.generate(inputs=input_features, max_new_tokens=225)  # greedy
# generated_ids = model.generate(inputs=input_features, max_new_tokens=225, num_beams=5)  # beam search

# Detokenize
generated_sentences = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

# Normalise predicted sentences if necessary

📚 詳細文檔

性能表現

預訓練模型的WER

以下是預訓練模型在 Common Voice 9.0、Multilingual LibriSpeech、Voxpopuli 和 Fleurs 上的字錯率（WER）。這些結果來自原始 論文。

微調模型的WER

以下是微調模型在 Common Voice 11.0、Multilingual LibriSpeech、Voxpopuli 和 Fleurs 上的字錯率（WER）。請注意，這些評估數據集經過過濾和預處理，僅包含法文字符，並去除了撇號以外的標點符號。表格中的結果以 WER (貪心搜索) / WER (束寬為5的束搜索) 形式呈現。

📄 許可證

本模型採用 Apache-2.0 許可證。