Ce modèle est une version finetunée de openai/whisper-small sur 24 738 échantillons audio en bambara, à partir du dataset RobotsMali/bam-asr-early. Il permet de transcrire la parole en texte STT en bambara (bm) avec une bonne précision au niveau caractère.

🎯 Performances finales (Évaluation complète)

Métrique	Valeur	Dataset	Interprétation
WER (Word Error Rate)	43.70 %	Test set complet (7 069 échantillons)	Précision mot: 56.30%
CER (Character Error Rate)	21.38 %	Test set complet (7 069 échantillons)	Précision caractère: 78.62%

💡 Le CER < 22 % indique que plus de 78 % des caractères sont corrects, ce qui est très utile pour les analyses qualitatives notamment pour les pratiques du MEAL (entretiens, focus groups, discours) en contexte de recherche sociale ou linguistique.

📈 Évolution de l'entraînement (6 000 steps)

Step	Training Loss	Validation Loss	WER (%)
500	2.4841	2.4260	83.32
1000	2.1492	2.0208	51.35
1500	1.9758	1.9546	48.55
2000	1.9931	1.9335	47.65
2500	1.9285	1.9039	45.65
3000	1.8906	1.8774	41.56
3500	1.7934	1.8734	45.35
4000	1.8452	1.8560	42.96
4500	1.7566	1.8556	42.56
5500	1.7379	1.8667	42.76
6000	1.6746	1.8656	42.66

🔍 Le modèle a convergé vers WER ≈ 42-43 %, avec une performance finale validée à 43.70% sur l'ensemble complet du test set.

📊 Dataset : `RobotsMali/bam-asr-early`

Source originale : RobotsMali/bam-asr-early
Prétraitement : nettoyage audio, vérification d'intégrité, segmentation, tokenisation personnalisée. kalilouisangare/bambara-speech-kis-clean-split
Statistiques clés :

Métrique	Valeur	Interprétation
Échantillons valides	35 342 / 35 413 (99.8%)	✅ Nettoyage quasi parfait — perte de seulement 71 échantillons (0.2%)
Durée moyenne	3.23 s	✅ Idéal pour Whisper — pas de segments trop longs
Caractères uniques	45	✅ Couvre l'alphabet latin + caractères bambara (ɔ, ɛ, ɲ, ŋ, etc.)
Caractères manquants	Aucun	✅ Tokenizer couvre tout le vocabulaire
Split final	Train : 24 738 Val : 3 535 Test : 7 069	✅ Ratio 70/10/20 — excellent équilibre

Architecture & Taille :

Modèle de base : openai/whisper-small
Nombre total de paramètres : 241 735 680 (242M)
Token spécial ajouté : <|bm|> (ID = 51865)
Vocabulaire étendu : 51 866 tokens (vs 51 865 d'origine)
Context window : 128 tokens de génération

⚙️ Entraînement :

Durée : 6 000 steps (~2 époques) — 2h 26 min 31 sec
Batch size effective : 8 (per_device_train_batch_size=4 + gradient_accumulation_steps=2)
Optimiseur : AdamW (optim="adamw_torch")
Precision : FP16
Learning rate : 1e-5 (cosine decay)
Matériel : Google Colab T4 GPU

🚀 Utilisation

Transcription avec `pipeline` :

python

!pip install -q transformers

from transformers import pipeline, AutoProcessor, AutoModelForSpeechSeq2Seq

# Charger les necessaires
model_id = "kalilouisangare/whisper-small-bambara-v2-kis"
processor = AutoProcessor.from_pretrained("openai/whisper-small")
model = AutoModelForSpeechSeq2Seq.from_pretrained(model_id)

# Le pipeline pour tokenization
asr = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    device=0
)

# Transcrire
result = asr("/Chemin_dossier/audio/Test.wav")
print('Votre fichier transcrit' : )
print(result["text"])

Citation :

Si vous utilisez ce modèle, alors vous devriez mentionner ces références :

Kalilou I Sangare, #kis
Jeli-ASR dataset: Jeli-ASR Dataset.
Oza's Bambara-ASR dataset: oza75/bambara-asr.
Oza's Bambara-TTS dataset: oza75/bambara-tts.

kalilouisangare/whisper-small-bambara-v2-kis

🎙️ Whisper Small finetuné pour la reconnaissance vocale en bambara