许可证: cc-by-4.0
标签:

• 音频
• 自动语音识别
• hf-asr-leaderboard
  语言: 爱沙尼亚语
  模型索引:
• 名称: TalTechNLP/whisper-medium-et
  结果:
  • 任务:
    名称: 自动语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: Common Voice 11
    类型: mozilla-foundation/common_voice_11_0
    配置: et
    拆分: test
    指标:
    • 名称: 测试WER
      类型: wer
      值: 14.66
    • 名称: 测试CER
      类型: cer
      值: 3.76
  • 任务:
    名称: 自动语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: Common Voice 8
    类型: mozilla-foundation/common_voice_8_0
    配置: et
    拆分: test
    指标:
    • 名称: 测试WER
      类型: wer
      值: 13.793
    • 名称: 测试CER
      类型: cer
      值: 3.194

Whisper-medium-et

这是基于约800小时多样化爱沙尼亚语数据微调的Whisper-medium模型openai/whisper-medium。

模型描述

这是由塔林理工大学语言技术实验室训练的通用爱沙尼亚语自动语音识别(ASR)模型。

预期用途与限制

本模型适用于通用语音识别场景，如广播对话、访谈、演讲等。

使用方法

可通过Hugging Face Transformers像其他Whisper模型一样使用，或选用更快的解码器如faster-whisper。

局限性及偏差

由于模型主要基于广播语音和网络文本训练，可能在以下场景存在识别困难：

• 含技术术语或专业领域词汇的语音
• 儿童语音
• 非母语者语音
• 强噪声环境或远距离麦克风录音
• 高度即兴和重叠对话

训练数据

声学训练数据构成：

训练流程

使用Espnet框架微调后，通过此脚本转换为Transformers格式。微调流程与该模型类似。

评估结果

词错误率(WER)

以下结果为贪婪解码(即束宽为1)所得：