Whisper Tamil Large-v2

此模型是根据来自多个公开可用的ASR语料库的泰米尔语数据进行微调的版本。它作为Whisper微调冲刺的一部分进行了微调。

注意：用于训练此模型的代码可在 whisper-finetune 存储库中重复使用。

使用方法

要在整个数据集上评估此模型，可以使用 whisper-finetune 存储库中提供的评估代码。

同一存储库还提供了使用whisper-jax进行更快推理的脚本。

要使用此模型推理单个音频文件，可以使用以下代码片段：

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

要更快地推理whisper模型，可以使用 whisper-jax 库。在使用以下代码片段之前，请按照 here 中提到的必要安装步骤进行安装：

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

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

训练和评估数据

训练数据：

• IISc-MILE Tamil ASR Corpus
• ULCA ASR Corpus
• Shrutilipi ASR Corpus
• Microsoft Speech Corpus (Indian Languages)
• Google/Fleurs Train+Dev set
• Babel ASR语料库

评估数据：

• Microsoft Speech Corpus (Indian Languages) Test Set
• Google/Fleurs Test Set
• IISc-MILE Test Set
• Babel测试集

训练超参数

训练期间使用了以下超参数：

• 学习率：0.75e-05
• 训练批次大小：8
• 评估批次大小：24
• 种子：22
• 优化器：adamw_bnb_8bit
• lr_scheduler_type：线性
• lr_scheduler_warmup_steps：22000
• 训练步骤：52500（最初设置为76000步）
• 混合精度训练：True

致谢

此工作是在 Speech Lab, IIT Madras 进行的。

此工作的计算资源由“Bhashini：国家语言翻译计划”项目资助，该项目属于印度电子和信息技术部（MeitY）的一部分。