sarpba/whisper-hu-large-v3-turbo-finetuned

<!-- This model card has been generated automatically according to the information the Trainer had access to. You should probably proofread and complete it, then remove this comment. -->

fontos információ, mielött használnád, tesztelnéd

Sajnos úgy tűnik, hogy a Ct2 kvantálás során valami elvész, elromlik a modellben, szinte használhatatlanná válik, az max output tokenek száma drasztikusan leesik, nagyon csonkolja a mondatokat. Még nem tudom hol a határ időben, token számban ahol eklezd csonkolni, de max 10 sec körül vagy inkább alatta. Natív F32-ben szépen dolgozik ahogy a teszteredmények is mutatják, így viszont elveszti a sebességét, ami az értelme lenne. Lehet újra indítom a finomhangolást nativan Float16-on, hogy lássam azzal a modellel mi történik a kvantálás során. (Az original modell is Float16-ban van)

whisper-large-v3-turbo-finetuned-hu

This model is a fine-tuned version of openai/whisper-large-v3-turbo on the custom dataset. It achieves the following results on the evaluation set:

• —Loss: 0.0287
• —Wer: 0.0748

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

• —learning_rate: 1e-05
• —trainbatchsize: 16
• —evalbatchsize: 16
• —seed: 42
• —distributed_type: multi-GPU
• —num_devices: 2
• —totaltrainbatch_size: 32
• —totalevalbatch_size: 32
• —optimizer: Use adamwtorch with betas=(0.9,0.999) and epsilon=1e-08 and optimizerargs=No additional optimizer arguments
• —lrschedulertype: linear
• —lrschedulerwarmup_steps: 500
• —num_epochs: 2
• —mixedprecisiontraining: Native AMP

Training results

Framework versions

• —Transformers 4.47.0
• —Pytorch 2.5.1+cu118
• —Datasets 3.1.0
• —Tokenizers 0.21.0