Whisper Small Cv11 French

🚀 用於法語自動語音識別的微調版whisper-small模型

該模型是 openai/whisper-small 的微調版本，在 mozilla-foundation/common_voice_11_0 法語數據集上進行訓練。使用該模型時，請確保語音輸入的採樣率為 16Khz。該模型還能預測大小寫和標點符號。

✨ 主要特性

• 基於微調的 openai/whisper-small 模型，在法語數據集上訓練。
• 支持預測大小寫和標點符號。
• 可使用 🤗 Pipeline 或 🤗 底層 API 進行推理。

📦 安裝指南

文檔未提供具體安裝步驟，可參考 transformers 庫的官方安裝指南進行安裝。

💻 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")

# 加載管道
pipe = pipeline("automatic-speech-recognition", model="bofenghuang/whisper-small-cv11-french", device=device)

# 注意：為生成工具設置強制解碼器 ID
pipe.model.config.forced_decoder_ids = pipe.tokenizer.get_decoder_prompt_ids(language="fr", task="transcribe")

# 加載數據
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"]

# 運行
generated_sentences = pipe(waveform, max_new_tokens=225)["text"]  # 貪心搜索
# generated_sentences = pipe(waveform, max_new_tokens=225, generate_kwargs={"num_beams": 5})["text"]  # 束搜索

# 必要時對預測句子進行歸一化

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")

# 加載模型
model = AutoModelForSpeechSeq2Seq.from_pretrained("bofenghuang/whisper-small-cv11-french").to(device)
processor = AutoProcessor.from_pretrained("bofenghuang/whisper-small-cv11-french", language="french", task="transcribe")

# 注意：為生成工具設置強制解碼器 ID
model.config.forced_decoder_ids = processor.get_decoder_prompt_ids(language="fr", task="transcribe")

# 16_000
model_sample_rate = processor.feature_extractor.sampling_rate

# 加載數據
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"]

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

# 獲取特徵
inputs = processor(waveform, sampling_rate=model_sample_rate, return_tensors="pt")
input_features = inputs.input_features
input_features = input_features.to(device)

# 生成
generated_ids = model.generate(inputs=input_features, max_new_tokens=225)  # 貪心搜索
# generated_ids = model.generate(inputs=input_features, max_new_tokens=225, num_beams=5)  # 束搜索

# 反序列化
generated_sentences = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

# 必要時對預測句子進行歸一化

📚 詳細文檔

性能表現

• 預訓練模型的字錯率（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。

• 微調模型的字錯率（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 字錯率（貪心搜索）/ 字錯率（束寬為 5 的束搜索） 的形式報告。

📄 許可證

本項目採用 Apache-2.0 許可證。