Whisper Small Spanish
該模型是基於OpenAI的whisper-small在Common Voice數據集v11西班牙語版本上微調的語音識別模型,專注於西班牙語轉錄任務。
下載量 298
發布時間 : 12/14/2022
模型概述
whisper-small-spanish是針對西班牙語優化的自動語音識別(ASR)模型,能夠將西班牙語語音準確轉錄為文本。
模型特點
西班牙語優化
專門針對西班牙語語音進行微調,相比原始whisper-small模型在西班牙語識別上有更好表現
低詞錯誤率
在Common Voice測試集上達到20.68%的詞錯誤率(WER)
高效訓練
使用混合精度訓練和線性學習率調度器優化訓練過程
模型能力
西班牙語語音識別
語音轉文本
長音頻處理
使用案例
語音轉錄
西班牙語會議記錄
將西班牙語會議錄音自動轉錄為文字記錄
準確率約80%
語音助手
為西班牙語語音助手提供語音識別能力
教育
語言學習輔助
幫助西班牙語學習者檢查發音準確性
🚀 whisper-small-sp
本模型是基於commonvoice dataset v11
數據集對openai/whisper-small進行微調後的版本。它在評估集上取得了以下結果:
- 損失值:0.4485
- 詞錯誤率(Wer):20.6842
🚀 快速開始
本模型可用於語音轉錄任務,以下是使用示例。
✨ 主要特性
- 基於微調的
openai/whisper-small
模型,在特定數據集上進行了優化。 - 提供了訓練超參數和訓練結果的詳細信息。
- 包含轉錄和評估的代碼示例。
📦 安裝指南
文檔未提及安裝步驟,暫不展示。
💻 使用示例
基礎用法
from datasets import load_dataset, Audio
import torch
from transformers import WhisperProcessor, WhisperForConditionalGeneration
# device
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# load the model
processor = WhisperProcessor.from_pretrained("clu-ling/whisper-small-spanish")
model = WhisperForConditionalGeneration.from_pretrained("clu-ling/whisper-small-spanish").to(device)
forced_decoder_ids = processor.get_decoder_prompt_ids(language="es", task="transcribe")
# load the dataset
commonvoice_eval = load_dataset("mozilla-foundation/common_voice_11_0", "es", split="validation", streaming=True)
commonvoice_eval = commonvoice_eval.cast_column("audio", Audio(sampling_rate=16000))
sample = next(iter(commonvoice_eval))["audio"]
# features and generate token ids
input_features = processor(sample["array"], sampling_rate=sample["sampling_rate"], return_tensors="pt").input_features
predicted_ids = model.generate(input_features.to(device), forced_decoder_ids=forced_decoder_ids)
# decode
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)
print(transcription)
高級用法
from transformers.models.whisper.english_normalizer import BasicTextNormalizer
from datasets import load_dataset, Audio
import evaluate
import torch
import re
from transformers import WhisperProcessor, WhisperForConditionalGeneration
# device
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# metric
wer_metric = evaluate.load("wer")
# model
processor = WhisperProcessor.from_pretrained("clu-ling/whisper-small-spanish")
model = WhisperForConditionalGeneration.from_pretrained("clu-ling/whisper-small-spanish")
# dataset
dataset = load_dataset("mozilla-foundation/common_voice_11_0", "es", split="test", )#cache_dir=args.cache_dir
dataset = dataset.cast_column("audio", Audio(sampling_rate=16000))
#for debuggings: it gets some examples
#dataset = dataset.shard(num_shards=10000, index=0)
#print(dataset)
def normalize(batch):
batch["gold_text"] = whisper_norm(batch['sentence'])
return batch
def map_wer(batch):
model.to(device)
forced_decoder_ids = processor.get_decoder_prompt_ids(language = "es", task = "transcribe")
inputs = processor(batch["audio"]["array"], sampling_rate=batch["audio"]["sampling_rate"], return_tensors="pt").input_features
with torch.no_grad():
generated_ids = model.generate(inputs=inputs.to(device), forced_decoder_ids=forced_decoder_ids)
transcription = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
batch["predicted_text"] = whisper_norm(transcription)
return batch
# process GOLD text
processed_dataset = dataset.map(normalize)
# get predictions
predicted = processed_dataset.map(map_wer)
# word error rate
wer = wer_metric.compute(references=predicted['gold_text'], predictions=predicted['predicted_text'])
wer = round(100 * wer, 2)
print("WER:", wer)
🔧 技術細節
訓練超參數
訓練過程中使用了以下超參數:
- 學習率:0.0005
- 訓練批次大小:16
- 評估批次大小:8
- 隨機種子:42
- 優化器:Adam(β1 = 0.9,β2 = 0.999,ε = 1e-08)
- 學習率調度器類型:線性
- 學習率調度器熱身步數:500
- 訓練步數:25000
- 混合精度訓練:原生自動混合精度(Native AMP)
訓練結果
訓練損失 | 輪數 | 步數 | 驗證損失 | 詞錯誤率(Wer) |
---|---|---|---|---|
2.2671 | 0.13 | 1000 | 2.2108 | 76.2667 |
1.4465 | 0.26 | 2000 | 1.6057 | 67.8753 |
1.0997 | 0.39 | 3000 | 1.1928 | 54.2433 |
0.9389 | 0.52 | 4000 | 1.0020 | 47.8307 |
0.7881 | 0.65 | 5000 | 0.8933 | 46.0046 |
0.7596 | 0.78 | 6000 | 0.7721 | 38.5595 |
0.5678 | 0.91 | 7000 | 0.6903 | 36.2897 |
0.4412 | 1.04 | 8000 | 0.6476 | 32.7473 |
0.4239 | 1.17 | 9000 | 0.5973 | 30.8142 |
0.3935 | 1.3 | 10000 | 0.5444 | 29.0208 |
0.3307 | 1.43 | 11000 | 0.5024 | 27.0434 |
0.2937 | 1.56 | 12000 | 0.4608 | 24.7318 |
0.2471 | 1.69 | 13000 | 0.4259 | 22.8940 |
0.2357 | 1.82 | 14000 | 0.3936 | 21.6018 |
0.2292 | 1.95 | 15000 | 0.3776 | 20.8004 |
0.1493 | 2.08 | 16000 | 0.4599 | 24.0491 |
0.1708 | 2.21 | 17000 | 0.4370 | 23.3443 |
0.1385 | 2.34 | 18000 | 0.4277 | 22.3171 |
0.1288 | 2.47 | 19000 | 0.4050 | 21.0118 |
0.1627 | 2.6 | 20000 | 0.4507 | 23.4004 |
0.1675 | 2.73 | 21000 | 0.4346 | 22.8261 |
0.159 | 2.86 | 22000 | 0.4179 | 22.2949 |
0.1458 | 2.99 | 23000 | 0.3978 | 21.0810 |
0.0487 | 3.12 | 24000 | 0.4456 | 20.8617 |
0.0401 | 3.25 | 25000 | 0.4485 | 20.6842 |
框架版本
- Transformers:4.25.1
- Pytorch:1.13.0+cu117
- Datasets:2.7.1
- Tokenizers:0.13.2
📄 許可證
本項目採用Apache-2.0許可證。
Voice Activity Detection
MIT
基於pyannote.audio 2.1版本的語音活動檢測模型,用於識別音頻中的語音活動時間段
語音識別
V
pyannote
7.7M
181
Wav2vec2 Large Xlsr 53 Portuguese
Apache-2.0
這是一個針對葡萄牙語語音識別任務微調的XLSR-53大模型,基於Common Voice 6.1數據集訓練,支持葡萄牙語語音轉文本。
語音識別 其他
W
jonatasgrosman
4.9M
32
Whisper Large V3
Apache-2.0
Whisper是由OpenAI提出的先進自動語音識別(ASR)和語音翻譯模型,在超過500萬小時的標註數據上訓練,具有強大的跨數據集和跨領域泛化能力。
語音識別 支持多種語言
W
openai
4.6M
4,321
Whisper Large V3 Turbo
MIT
Whisper是由OpenAI開發的最先進的自動語音識別(ASR)和語音翻譯模型,經過超過500萬小時標記數據的訓練,在零樣本設置下展現出強大的泛化能力。
語音識別
Transformers 支持多種語言

W
openai
4.0M
2,317
Wav2vec2 Large Xlsr 53 Russian
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53模型微調的俄語語音識別模型,支持16kHz採樣率的語音輸入
語音識別 其他
W
jonatasgrosman
3.9M
54
Wav2vec2 Large Xlsr 53 Chinese Zh Cn
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53模型微調的中文語音識別模型,支持16kHz採樣率的語音輸入。
語音識別 中文
W
jonatasgrosman
3.8M
110
Wav2vec2 Large Xlsr 53 Dutch
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53微調的荷蘭語語音識別模型,在Common Voice和CSS10數據集上訓練,支持16kHz音頻輸入。
語音識別 其他
W
jonatasgrosman
3.0M
12
Wav2vec2 Large Xlsr 53 Japanese
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53模型微調的日語語音識別模型,支持16kHz採樣率的語音輸入
語音識別 日語
W
jonatasgrosman
2.9M
33
Mms 300m 1130 Forced Aligner
基於Hugging Face預訓練模型的文本與音頻強制對齊工具,支持多種語言,內存效率高
語音識別
Transformers 支持多種語言

M
MahmoudAshraf
2.5M
50
Wav2vec2 Large Xlsr 53 Arabic
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53微調的阿拉伯語語音識別模型,在Common Voice和阿拉伯語語音語料庫上訓練
語音識別 阿拉伯語
W
jonatasgrosman
2.3M
37
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98