Whisper Large V2 French

🚀 用于法语自动语音识别的微调版whisper-large-v2模型

该模型是 openai/whisper-large-v2 的微调版本，在包含超过2200小时法语语音音频的复合数据集上进行训练。这些数据集来自 Common Voice 11.0、Multilingual LibriSpeech、Voxpopuli、Fleurs、Multilingual TEDx、MediaSpeech 和 African Accented French 的训练集和验证集。使用该模型时，请确保语音输入的采样率为16Khz。该模型不会预测大小写或标点符号。

🚀 快速开始

本模型可用于法语的自动语音识别任务。使用前需确保语音输入采样率为16Khz，且该模型不会预测大小写和标点符号。

✨ 主要特性

• 基于微调的 openai/whisper-large-v2 模型，在多数据集上训练，提升法语语音识别能力。
• 可使用 🤗 Pipeline 或 🤗 底层API进行推理。

📦 安装指南

文档未提及安装步骤，可参考 🤗 Transformers 库的安装方式。

💻 使用示例

基础用法

使用 🤗 Pipeline 进行推理：

import torch

from datasets import load_dataset
from transformers import pipeline

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

# Load pipeline
pipe = pipeline("automatic-speech-recognition", model="bofenghuang/whisper-large-v2-french", device=device)

# NB: set forced_decoder_ids for generation utils
pipe.model.config.forced_decoder_ids = pipe.tokenizer.get_decoder_prompt_ids(language="fr", task="transcribe")

# Load data
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"]

# Run
generated_sentences = pipe(waveform, max_new_tokens=225)["text"]  # greedy
# generated_sentences = pipe(waveform, max_new_tokens=225, generate_kwargs={"num_beams": 5})["text"]  # beam search

# Normalise predicted sentences if necessary

高级用法

使用 🤗 底层API进行推理：

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")

# Load model
model = AutoModelForSpeechSeq2Seq.from_pretrained("bofenghuang/whisper-large-v2-french").to(device)
processor = AutoProcessor.from_pretrained("bofenghuang/whisper-large-v2-french", language="french", task="transcribe")

# NB: set forced_decoder_ids for generation utils
model.config.forced_decoder_ids = processor.get_decoder_prompt_ids(language="fr", task="transcribe")

# 16_000
model_sample_rate = processor.feature_extractor.sampling_rate

# Load data
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"]

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

# Get feat
inputs = processor(waveform, sampling_rate=model_sample_rate, return_tensors="pt")
input_features = inputs.input_features
input_features = input_features.to(device)

# Generate
generated_ids = model.generate(inputs=input_features, max_new_tokens=225)  # greedy
# generated_ids = model.generate(inputs=input_features, max_new_tokens=225, num_beams=5)  # beam search

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

# Normalise predicted sentences if necessary

📚 详细文档

性能表现

预训练模型的WER

以下是预训练模型在 Common Voice 9.0、Multilingual LibriSpeech、Voxpopuli 和 Fleurs 上的字错率（WER）。这些结果来自原始 论文。

微调模型的WER

以下是微调模型在 Common Voice 11.0、Multilingual LibriSpeech、Voxpopuli 和 Fleurs 上的字错率（WER）。请注意，这些评估数据集经过过滤和预处理，仅包含法文字符，并去除了撇号以外的标点符号。表格中的结果以 WER (贪心搜索) / WER (束宽为5的束搜索) 形式呈现。

📄 许可证

本模型采用 Apache-2.0 许可证。