🚀 黎凡特阿拉伯语Whisper模型

针对黎凡特方言（以色列阿拉伯语）微调的Whisper模型，提升该特定阿拉伯语变体的自动语音识别性能

感谢 ivrit.ai 提供的微调代码脚本！

🚀 快速开始

本模型是 Whisper Larg v3 的微调版本，专门用于转录黎凡特阿拉伯语，重点针对以色列方言。它旨在提高该特定阿拉伯语变体的自动语音识别（ASR）性能。

✨ 主要特性

• 基础模型：Whisper Large V3
• 微调适配：黎凡特阿拉伯语（以色列方言）
• 测试集WER：33%

📦 安装指南

微调后的模型使用 faster-whisper 包进行转换，推理速度比OpenAI的Whisper快达4倍。模型兼容16kHz音频输入，为获得最佳效果，请确保您的文件采样率相同。

💻 使用示例

基础用法

将带有转录和时间戳的.vtt文件保存到音频目录：

python transcriber.py --model_path path/to/model --audio_dir path/to/audio --word_timestamps True --vad_filter True

高级用法

可视化打印转录内容：

pip install faster-whisper
import faster_whisper
import librosa

model = faster_whisper.WhisperModel("model.bin")
audio_file = 'your audio file.wav'
with torch.no_grad():
    audio_data, sample_rate = librosa.load(audio_file)
    audio_data = librosa.resample(audio_data, orig_sr=sample_rate, target_sr=16000)
    segments, _ = model.transcribe(audio_data, language='ar')
    for segment in segments:
        for word in segment.words:
            print("[%.2fs -> %.2fs] %s" % (word.start, word.end, word.word))

    transcript = ' '.join(s.text for s in segments)

📚 详细文档

训练数据

用于训练和微调此模型的数据集包含约1200小时的转录音频，主要为以色列黎凡特阿拉伯语，还有一些通用黎凡特阿拉伯语内容。数据源包括：

1. 自有数据集：团队整理的1200小时音频数据，涵盖广泛的以色列黎凡特阿拉伯语语音。

• 数据集总大小：约1200小时
• 采样率：8kHz - 上采样至16kHz
• 标注：人工转录和标注，确保高精度。

📄 许可证

本项目采用 apache-2.0 许可证。