模型:
cahya/whisper-medium-id
此模型是在印尼mozilla-foundation/common_voice_11_0、magic_data、titml和google/fleurs数据集上对 openai/whisper-medium 进行微调的版本。它达到了以下结果:
from transformers import pipeline transcriber = pipeline( "automatic-speech-recognition", model="cahya/whisper-medium-id" ) transcriber.model.config.forced_decoder_ids = ( transcriber.tokenizer.get_decoder_prompt_ids( language="id" task="transcribe" ) ) transcription = transcriber("my_audio_file.mp3")
需要更多信息
需要更多信息
训练时使用了以下超参数:
Training Loss | Epoch | Step | Validation Loss | Wer |
---|---|---|---|---|
0.0427 | 0.33 | 1000 | 0.0664 | 4.3807 |
0.042 | 0.66 | 2000 | 0.0658 | 3.9426 |
0.0265 | 0.99 | 3000 | 0.0657 | 3.8274 |
0.0211 | 1.32 | 4000 | 0.0679 | 3.8366 |
0.0212 | 1.66 | 5000 | 0.0682 | 3.8412 |
0.0206 | 1.99 | 6000 | 0.0683 | 3.8689 |
0.0166 | 2.32 | 7000 | 0.0711 | 3.9657 |
0.0095 | 2.65 | 8000 | 0.0717 | 3.9980 |
0.0122 | 2.98 | 9000 | 0.0714 | 3.9795 |
0.0049 | 3.31 | 10000 | 0.0720 | 3.9887 |
我们使用两个数据集的测试集进行了模型评估,分别是 Common Voice 11 和 Google Fleurs 。由于Whisper可以转录大小写和标点符号,我们还使用原始文本和归一化文本(小写+去除标点符号)来评估其性能。结果如下:
WER | |
---|---|
1234321 | 3.83 |
1235321 | 12.62 |
WER | |
---|---|
1234321 | 9.74 |
1234321 + text normalization | tbc |
1235321 | 10.2 |
1235321 + text normalization | tbc |