from transformers import pipeline

asr = pipeline("automatic-speech-recognition", model="hhim8826/whisper-large-v3-turbo-ja")

# 使用音訊檔案進行轉錄
result = asr("path/to/anime_audio.wav")
print(result["text"])

更詳細的用法示例：

python

from transformers import AutoProcessor, AutoModelForSpeechSeq2Seq
import torch
import librosa

# 載入模型和處理器
processor = AutoProcessor.from_pretrained("hhim8826/whisper-large-v3-turbo-ja")
model = AutoModelForSpeechSeq2Seq.from_pretrained("hhim8826/whisper-large-v3-turbo-ja").to("cuda")

# 載入音訊檔案
audio_file = 'anime_audio.wav'
audio_array, sampling_rate = librosa.load(audio_file, sr=16000)

# 處理音訊輸入
inputs = processor(audio_array, sampling_rate=16000, return_tensors="pt").to("cuda")

# 進行推論
with torch.no_grad():
    generated_ids = model.generate(inputs=inputs.input_features)

# 解碼輸出
transcription = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(transcription)

下游應用

此模型適用於：

動漫影片的自動字幕生成
動漫語音內容分析
日語動漫對話研究
日語動漫翻譯輔助工具

訓練詳情

訓練數據

此模型使用 hhim8826/japanese-anime-speech-v2-split 資料集進行訓練，該資料集包含來自各種日本動漫的語音片段及其對應的文字轉錄。

訓練過程

模型從 openai/whisper-large-v3-turbo 開始，經過微調以適應動漫語音的特點。訓練在適當的迭代次數後停止，避免過擬合。

訓練超參數

學習率: 1e-5
訓練批次大小: 16
訓練步數: 4000

評估結果

在動漫語音測試集上，此模型相較於原始 Whisper 模型在以下方面有所改進：

更好地處理動漫專有名詞和特殊用語
對背景音樂/音效干擾下的對話識別能力提升
更準確地處理動漫角色特有的語調和說話方式

局限性

主要針對日語動漫優化，對其他類型的日語內容可能效果不如專門模型
可能對某些非常小眾或特殊的動漫詞彙識別不足
對極端快速或含糊的對話可能仍有辨識困難