Whisper Small Cv11 German

🚀 用於德語自動語音識別的微調whisper-small模型

本模型是 openai/whisper-small 的微調版本，在 mozilla-foundation/common_voice_11_0 德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。

🚀 快速開始

本模型是為德語自動語音識別任務對 whisper-small 進行微調得到的，可用於將德語語音轉換為文本。

✨ 主要特性

• 基於 whisper-small 模型微調，適用於德語自動語音識別。
• 能夠預測大小寫和標點符號。

📦 安裝指南

文檔未提供安裝步驟，可根據 transformers 庫的常規安裝方法進行安裝：

pip install transformers datasets torch torchaudio

💻 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-german", 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="de", task="transcribe")

# 加載數據
ds_mcv_test = load_dataset("mozilla-foundation/common_voice_11_0", "de", split="test", streaming=True)
test_segment = next(iter(ds_mcv_test))
waveform = test_segment["audio"]

# 注意：解碼選項
# 將生成的最大令牌數限制為 225
pipe.model.config.max_length = 225 + 1
# 採樣
# pipe.model.config.do_sample = True
# 束搜索
# pipe.model.config.num_beams = 5
# 返回
# pipe.model.config.return_dict_in_generate = True
# pipe.model.config.output_scores = True
# pipe.model.config.num_return_sequences = 5

# 運行
generated_sentences = pipe(waveform)["text"]

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-german").to(device)
processor = AutoProcessor.from_pretrained("bofenghuang/whisper-small-cv11-german", language="german", 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="de", 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", "de", 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

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

# 必要時對預測的句子進行歸一化

📚 詳細文檔

性能

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

以下是微調模型在 Common Voice 11.0 上的字錯率（WER）。

📄 許可證

本項目採用 Apache-2.0 許可證。