راه‌اندازی Shenava در Google Colab: اجرای یک مدل متن‌باز گفتار فارسی

در این آموزش Shenava Koochik را در Google Colab اجرا می‌کنیم، فایل صوتی فارسی را به متن تبدیل می‌کنیم و خروجی و معیارهای لازم برای بنچمارک را ذخیره می‌کنیم.

در این آموزش یک مدل متن‌باز تشخیص گفتار فارسی را در Google Colab بالا می‌آوریم، یک فایل صوتی واقعی را به آن می‌دهیم و خروجی را به‌صورت فایل متنی ذخیره می‌کنیم. هدف این نیست که فقط یک سلول را اجرا کنیم؛ می‌خواهیم بفهمیم GPU، مدل، فرمت صوت و زمان اجرا چه اثری دارند.

چرا Shenava؟

Shenava Koochik v1.0 یک مدل ۱۱۴ میلیون پارامتری برای تشخیص گفتار فارسی است که از مسیر NeMo قابل اجراست. برای آزمایش محلی و اضافه‌کردن یک مسیر self-hosted به بنچمارک، گزینه‌ای سبک‌تر از مدل‌های بزرگ Whisper محسوب می‌شود.

ساخت نوت‌بوک Colab

در Colab از منوی Runtime گزینهٔ Change runtime type را باز کنید و GPU را انتخاب کنید. سپس این سلول‌ها را به‌ترتیب اجرا کنید:

!pip install -q nemo_toolkit[asr] soundfile librosa
import nemo.collections.asr as nemo_asr
model = nemo_asr.models.ASRModel.from_pretrained("PersianML/Shenava-Koochik-v1.0")

اجرای فایل صوتی

فایل WAV یا MP3 را با ابزار Upload در Colab وارد کنید. برای نتیجهٔ قابل مقایسه، فایل را به WAV تک‌کاناله با نرخ نمونه‌برداری ۱۶ کیلوهرتز تبدیل کنید:

!ffmpeg -i input.mp3 -ar 16000 -ac 1 input.wav -y
transcription = model.transcribe(["input.wav"])
text = transcription[0] if isinstance(transcription[0], str) else transcription[0].text
print(text)
open("shenava-output.txt", "w", encoding="utf-8").write(text)

ثبت نتیجه برای بنچمارک

زمان دانلود مدل را جدا از زمان پردازش فایل اندازه بگیرید. برای هر اجرا GPU، نسخهٔ پایتون، طول فایل، زمان کل، زمان پردازش، RTF و متن خروجی را ذخیره کنید. اگر متن مرجع دارید، WER و CER را هم بعد از نرمال‌سازی فارسی محاسبه کنید.

خطاهای رایج

اگر حافظهٔ GPU کم بود، Runtime را از نو راه‌اندازی کنید و فقط یک مدل را در حافظه نگه دارید. خطای فرمت صوت معمولاً با تبدیل به WAV شانزده کیلوهرتز حل می‌شود. خروجی خالی را موفق حساب نکنید و زمان بارگذاری مدل را با latency رونویسی قاطی نکنید.

منابع و قدم بعدی

کد استفادهٔ رسمی مدل در کارت Hugging Face آمده است: https://huggingface.co/PersianML/Shenava-Koochik-v1.0
مجموعهٔ مدل‌های Shenava: https://huggingface.co/collections/PersianML/shenava
در قدم بعدی همین نوت‌بوک را روی ۲۰ فایل بنچمارک میرزا اجرا می‌کنیم و نتیجه را کنار Soniox، Speechmatics، OpenAI و Whisper می‌گذاریم.

No comments yet