Whisper Persian Turbooo

🚀 波斯語語音識別模型 - whisper-persian-turbooo

本項目是一個用於自動語音識別的模型，基於openai/whisper-large-v3-turbo微調而來，可處理波斯語語音，適用於醫療等領域。

🚀 快速開始

模型使用環境

• 數據集：mozilla-foundation/common_voice_11_0
• 評估指標：wer（詞錯誤率）
• 基礎模型：openai/whisper-large-v3-turbo
• 庫名稱：transformers
• 標籤：medical

訓練信息

許可證

本項目採用 MIT 許可證。

📦 安裝指南

在 Colab 中使用該模型，需要安裝必要的包：

!pip install torch torchaudio transformers pydub google-colab

💻 使用示例

基礎用法

以下是在 Colab 中使用該模型進行波斯語語音轉錄的完整代碼：

import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from pydub import AudioSegment
import os
from google.colab import files

# 加載模型和處理器
model_id = "hackergeek98/whisper-persian-turbooo"
device = "cuda" if torch.cuda.is_available() else "cpu"

model = AutoModelForSpeechSeq2Seq.from_pretrained(model_id).to(device)
processor = AutoProcessor.from_pretrained(model_id)

# 創建管道
whisper_pipe = pipeline(
    "automatic-speech-recognition", model=model, tokenizer=processor.tokenizer, feature_extractor=processor.feature_extractor, device=0 if torch.cuda.is_available() else -1
)

# 將音頻轉換為 WAV 格式
def convert_to_wav(audio_path):
    audio = AudioSegment.from_file(audio_path)
    wav_path = "converted_audio.wav"
    audio.export(wav_path, format="wav")
    return wav_path

# 將長音頻分割成小塊
def split_audio(audio_path, chunk_length_ms=30000):  # 默認：每塊 30 秒
    audio = AudioSegment.from_wav(audio_path)
    chunks = [audio[i:i+chunk_length_ms] for i in range(0, len(audio), chunk_length_ms)]
    chunk_paths = []

    for i, chunk in enumerate(chunks):
        chunk_path = f"chunk_{i}.wav"
        chunk.export(chunk_path, format="wav")
        chunk_paths.append(chunk_path)

    return chunk_paths

# 轉錄長音頻文件
def transcribe_long_audio(audio_path):
    wav_path = convert_to_wav(audio_path)
    chunk_paths = split_audio(wav_path)
    transcription = ""

    for chunk in chunk_paths:
        result = whisper_pipe(chunk)
        transcription += result["text"] + "\n"
        os.remove(chunk)  # 刪除已處理的塊

    os.remove(wav_path)  # 清理原始文件

    # 將轉錄結果保存到文本文件
    text_path = "transcription.txt"
    with open(text_path, "w") as f:
        f.write(transcription)

    return text_path

# 在 Colab 中上傳並處理音頻
uploaded = files.upload()
audio_file = list(uploaded.keys())[0]
transcription_file = transcribe_long_audio(audio_file)

# 下載轉錄文件
files.download(transcription_file)

代碼說明

上述代碼實現了在 Colab 中上傳音頻文件，將其轉換為 WAV 格式，分割長音頻為小塊，使用模型進行轉錄，並最終下載轉錄結果的功能。你可以根據實際需求調整代碼中的參數，如音頻分割的時長等。