Whisper Tamil Large V2

🚀 泰米尔语大模型 Whisper Tamil Large-v2

本模型是专为泰米尔语语音识别任务打造的强大工具。它基于 openai/whisper-large-v2 进行微调，利用多个公开可用的自动语音识别（ASR）语料库中的泰米尔语数据进行训练。作为 Whisper 微调冲刺项目的一部分，该模型在泰米尔语语音识别方面表现出色。

📄 许可证

本模型采用 Apache-2.0 许可证。

📊 模型指标

🏆 评估结果

🚀 快速开始

评估整个数据集

若要在整个数据集上评估此模型，可使用 whisper-finetune 仓库中的评估代码。

快速推理

同一仓库还提供了使用 whisper-jax 进行快速推理的脚本。

单音频文件推理

若要使用此模型对单个音频文件进行推理，可使用以下代码片段：

>>> import torch
>>> from transformers import pipeline

>>> # 待转录的音频文件路径
>>> audio = "/path/to/audio.format"
>>> device = "cuda:0" if torch.cuda.is_available() else "cpu"

>>> transcribe = pipeline(task="automatic-speech-recognition", model="vasista22/whisper-tamil-large-v2", chunk_length_s=30, device=device)
>>> transcribe.model.config.forced_decoder_ids = transcribe.tokenizer.get_decoder_prompt_ids(language="ta", task="transcribe")

>>> print('转录结果: ', transcribe(audio)["text"])

更快推理

若要实现更快的推理，可使用 whisper-jax 库。在使用以下代码片段之前，请按照 此处 所述完成必要的安装步骤：

>>> import jax.numpy as jnp
>>> from whisper_jax import FlaxWhisperForConditionalGeneration, FlaxWhisperPipline

>>> # 待转录的音频文件路径
>>> audio = "/path/to/audio.format"

>>> transcribe = FlaxWhisperPipline("vasista22/whisper-tamil-large-v2", batch_size=16)
>>> transcribe.model.config.forced_decoder_ids = transcribe.tokenizer.get_decoder_prompt_ids(language="ta", task="transcribe")

>>> print('转录结果: ', transcribe(audio)["text"])

📦 训练和评估数据

训练数据

• IISc-MILE 泰米尔语 ASR 语料库
• ULCA ASR 语料库
• Shrutilipi ASR 语料库
• Microsoft 语音语料库（印度语言）
• Google/Fleurs 训练+开发集
• Babel ASR 语料库

评估数据

• Microsoft 语音语料库（印度语言）测试集
• Google/Fleurs 测试集
• IISc-MILE 测试集
• Babel 测试集

🔧 训练超参数

以下是训练过程中使用的超参数：

• 学习率：0.75e-05
• 训练批次大小：8
• 评估批次大小：24
• 随机种子：22
• 优化器：adamw_bnb_8bit
• 学习率调度器类型：线性
• 学习率调度器热身步数：22000
• 训练步数：52500（初始设置为 76000 步）
• 混合精度训练：是

🙏 致谢

本工作由 印度理工学院马德拉斯分校语音实验室 完成。

本工作的计算资源由印度电子和信息技术部（MeitY）的“Bhashini：国家语言翻译任务”项目资助。

⚠️ 重要提示

训练此模型所使用的代码可在 whisper-finetune 仓库中重复使用。