Whisper Tamil Medium

🚀 泰米尔语中型Whisper模型

本模型是基于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，对 openai/whisper-medium 进行微调后的版本。它是Whisper微调冲刺项目的一部分。

注意：训练此模型的代码可在 whisper-finetune 仓库中复用。

🚀 快速开始

本模型可用于对整个数据集进行评估，评估代码可在 whisper-finetune 仓库中找到。该仓库还提供了使用 whisper-jax 进行快速推理的脚本。

✨ 主要特性

• 基于多个公开的ASR语料库中的泰米尔语数据对 openai/whisper-medium 进行微调。
• 作为Whisper微调冲刺项目的一部分进行训练。
• 提供了评估代码和快速推理脚本。

📦 安装指南

文档未提及具体安装步骤，可参考 whisper-finetune 仓库获取相关信息。

💻 使用示例

基础用法

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

>>> # path to the audio file to be transcribed
>>> 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-medium", chunk_length_s=30, device=device)
>>> transcribe.model.config.forced_decoder_ids = transcribe.tokenizer.get_decoder_prompt_ids(language="ta", task="transcribe")

>>> print('Transcription: ', transcribe(audio)["text"])

高级用法

若要使用 whisper-jax 进行快速推理，请先按照 此处 提到的步骤进行必要的安装，然后使用以下代码片段：

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

>>> # path to the audio file to be transcribed
>>> audio = "/path/to/audio.format"

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

>>> print('Transcription: ', transcribe(audio)["text"])

📚 详细文档

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
• 微软语音语料库（印度语言）
• Google/Fleurs训练+开发集
• Babel ASR语料库

评估数据

• 微软语音语料库（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

训练过程中使用了以下超参数：

🔧 技术细节

本模型是在多个公开的ASR语料库的泰米尔语数据上对 openai/whisper-medium 进行微调得到的。训练代码可在 whisper-finetune 仓库中复用。评估代码和快速推理脚本也可在该仓库中找到。

📄 许可证

本模型使用Apache-2.0许可证。

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。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。