Tarbiyah Ai V1 1

🚀 Habib-HF/tarbiyah-ai-v1-1 - 針對《古蘭經》誦讀微調的 Whisper Small 模型

本模型是 OpenAI 的 whisper-small 模型的微調版本，專門用於自動語音識別（ASR），能夠準確識別**《古蘭經》阿拉伯語誦讀**內容，並將其轉錄為文本。該模型旨在作為 [應用名稱] 應用程序的核心 AI 引擎，為《古蘭經》誦讀提供即時反饋和學習工具。

🚀 快速開始

本模型可用於以下場景：

• 《古蘭經》誦讀練習：輔助個人進行《古蘭經》誦讀練習。
• 轉錄：將口頭誦讀的《古蘭經》經文轉換為文本。
• 集成：作為專注於《古蘭經》學習和塔吉威德（Tajweed，阿拉伯語書法規則）的移動或 Web 應用程序的後端 API。

✨ 主要特性

• 基於 OpenAI 的 whisper-small 模型進行微調，專門適配《古蘭經》阿拉伯語誦讀的自動語音識別。
• 能夠準確地將口頭誦讀的《古蘭經》經文轉錄為文字。

🔧 技術細節

侷限性和偏差

為了負責任地使用該模型，瞭解其侷限性至關重要：

• 數據特異性：儘管在《古蘭經》誦讀上進行了微調，但對於訓練數據中未包含的不同誦讀風格或讀法（Qira'at），其性能可能會有所不同。
• 說話者特徵：該模型主要針對成人聲音進行微調。對於兒童聲音或高度多樣化的口音（例如，訓練數據中未涵蓋的強烈地區阿拉伯語口音），其性能預計會欠佳。未來的迭代將專門針對兒童聲音進行改進。
• 音頻質量：在嘈雜的背景、劣質麥克風或非常快速/不清晰的誦讀情況下，性能可能會顯著下降。
• 尚未進行塔吉威德校正：此版本主要關注詞級轉錄準確性（WER）。高級塔吉威德規則檢測（如 Madd 時長、Ghunna 音質）將在該模型的未來開發階段實現。

訓練數據

該模型在 Hugging Face Hub 上的 MohamedRashad/Quran-Recitations 數據集的一個子集上進行了微調：

• 訓練樣本：約 [10,000] 個來自 train 分割的樣本。
• 評估樣本：約 [1,000] 個來自 train 分割的樣本（用於驗證）。
• 數據特徵：該數據集包含各種誦讀者誦讀《古蘭經》經文的音頻。

訓練過程

該模型在 Google Colab Pro 環境中使用 transformers 庫的 Seq2SeqTrainer 進行微調：

• 基礎模型：openai/whisper-small
• 訓練步驟：max_steps=4000
• 梯度累積：gradient_accumulation_steps=2
• 混合精度：fp16=True
• 數據加載：流式加載（streaming=True），並採用自定義錯誤處理機制跳過格式錯誤的音頻文件和長文本序列。使用 dataloader_num_workers=0 以防止 pickle 錯誤。
• 優化器：AdamW
• 學習率：1e-5
• 評估策略：每 500 步評估一次（eval_steps=500）。
• 最佳模型保存：在訓練結束時加載並保存基於最低 WER 的最佳模型檢查點（load_best_model_at_end=True）。

評估結果

在訓練期間，該模型在評估集上取得的最佳性能如下：

• 單詞錯誤率（WER）：[40.48%]（大約在第 [2000] 步時達到）

（注意：儘管這只是初始結果，但對於在新數據上微調的模型而言，這個 WER 是一個堅實的基礎，表明相較於基礎 Whisper 模型在誦讀方面的通用阿拉伯語 WER 有顯著改進。計劃在更多數據上進行進一步訓練，以實現更低的 WER，滿足生產使用需求。）

📄 許可證

該模型遵循 MIT 許可證。

致謝

• OpenAI：開發了具有開創性的 Whisper 模型。
• MohamedRashad：在 Hugging Face 上整理並開源了 Quran-Recitations 數據集。