Whisper Small Cv11 German

🚀 用于德语自动语音识别的微调whisper-small模型

本模型是 openai/whisper-small 的微调版本，在 mozilla-foundation/common_voice_11_0 德语数据集上进行训练。使用该模型时，请确保语音输入的采样率为 16Khz。该模型还能预测大小写和标点符号。

🚀 快速开始

本模型是为德语自动语音识别任务对 whisper-small 进行微调得到的，可用于将德语语音转换为文本。

✨ 主要特性

• 基于 whisper-small 模型微调，适用于德语自动语音识别。
• 能够预测大小写和标点符号。

📦 安装指南

文档未提供安装步骤，可根据 transformers 库的常规安装方法进行安装：

pip install transformers datasets torch torchaudio

💻 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")

# 加载管道
pipe = pipeline("automatic-speech-recognition", model="bofenghuang/whisper-small-cv11-german", device=device)

# 注意：为生成工具设置强制解码器 ID
pipe.model.config.forced_decoder_ids = pipe.tokenizer.get_decoder_prompt_ids(language="de", task="transcribe")

# 加载数据
ds_mcv_test = load_dataset("mozilla-foundation/common_voice_11_0", "de", split="test", streaming=True)
test_segment = next(iter(ds_mcv_test))
waveform = test_segment["audio"]

# 注意：解码选项
# 将生成的最大令牌数限制为 225
pipe.model.config.max_length = 225 + 1
# 采样
# pipe.model.config.do_sample = True
# 束搜索
# pipe.model.config.num_beams = 5
# 返回
# pipe.model.config.return_dict_in_generate = True
# pipe.model.config.output_scores = True
# pipe.model.config.num_return_sequences = 5

# 运行
generated_sentences = pipe(waveform)["text"]

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")

# 加载模型
model = AutoModelForSpeechSeq2Seq.from_pretrained("bofenghuang/whisper-small-cv11-german").to(device)
processor = AutoProcessor.from_pretrained("bofenghuang/whisper-small-cv11-german", language="german", task="transcribe")

# 注意：为生成工具设置强制解码器 ID
model.config.forced_decoder_ids = processor.get_decoder_prompt_ids(language="de", task="transcribe")

# 16_000
model_sample_rate = processor.feature_extractor.sampling_rate

# 加载数据
ds_mcv_test = load_dataset("mozilla-foundation/common_voice_11_0", "de", 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"]

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

# 获取特征
inputs = processor(waveform, sampling_rate=model_sample_rate, return_tensors="pt")
input_features = inputs.input_features
input_features = input_features.to(device)

# 生成
generated_ids = model.generate(inputs=input_features, max_new_tokens=225)  # 贪心搜索
# generated_ids = model.generate(inputs=input_features, max_new_tokens=225, num_beams=5)  # 束搜索

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

# 必要时对预测的句子进行归一化

📚 详细文档

性能

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

以下是微调模型在 Common Voice 11.0 上的字错率（WER）。

📄 许可证

本项目采用 Apache-2.0 许可证。