Update README.md

README.md

@@ -1,3 +1,74 @@
----
-license: apache-2.0
----
+---
+license: apache-2.0
+language:
+- it
+- en
+metrics:
+- wer
+pipeline_tag: automatic-speech-recognition
+tags:
+- audio
+- automatic-speech-recognition
+- hf-asr-leaderboard
+library_name: ctranslate2
+---
+
+# Litus whisper-small-ita for CTranslate2
+
+La repo contiene la conversione di [litus-ai/whisper-small-ita](https://huggingface.co/litus-ai/whisper-small-ita/) al formato di [CTranslate2](https://github.com/OpenNMT/CTranslate2).
+
+Questo modello può essere usato su CTranslate2 o su progetti affini tipo:[faster-whisper](https://github.com/systran/faster-whisper).
+
+# Descrizione del Modello
+Questo modello è una versione di [openai/whisper-small](https://huggingface.co/openai/whisper-small) ottimizzata per la lingua italiana, addestrata utilizzando una parte dei dati proprietari di [Litus AI](https://litus.ai/it/). 
+`litus-ai/whisper-small-ita` rappresenta un ottimo compromesso value/cost ed è ottimale per contesti in cui il budget computazionale è limitato, 
+ma è comunque necessaria una trascrizione accurata del parlato.
+
+# Particolarità del Modello
+La peculiarità principale del modello è l'integrazione di token speciali che arricchiscono la trascrizione con meta-informazioni:
+
+- Elementi paralinguistici: `[LAUGH]`, `[MHMH]`, `[SIGH]`, `[UHM]`
+- Qualità audio: `[NOISE]`, `[UNINT]` (non intelligibile)
+- Caratteristiche del parlato: `[AUTOCOR]` (autocorrezioni), `[L-EN]` (code-switching inglese)
+
+Questi token consentono una trascrizione più ricca che cattura non solo il contenuto verbale ma anche elementi contestuali rilevanti.
+
+# Evaluation
+Nel seguente grafico puoi trovare l'Accuracy di `openai/whisper-small`, `openai/whisper-medium`, `litus-ai/whisper-small-ita` e il modello proprietario di Litus AI, `litus-proprietary`, 
+su benchmark proprietari per meeting e chiamate vocali in lingua italiana.
+
+<div style="width: auto; margin-left: auto; margin-right: auto">
+<img src="https://huggingface.co/litus-ai/whisper-small-ita/resolve/main/Models%20Accuracy.png" alt="Litus AI eval">
+</div>
+<hr style="margin-top: 1.0em; margin-bottom: 1.0em;">
+<!-- header end -->
+
+# Come usare il modello
+Puoi utlizzare devilteo911/whisper-small-ita-ct2 tramite faster-whisper:
+
+```python
+from faster_whisper import WhisperModel
+
+model = WhisperModel("devilteo911/whisper-small-ita-ct2")
+
+segments, info = model.transcribe("audio.mp3")
+for segment in segments:
+    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
+
+```
+
+## Dettagli sulla conversione
+
+Il modello originale è stato convertito usando questo comando:
+
+```
+ct2-transformers-converter --model litus-ai/whisper-small-ita --output_dir whisper-small-ita-ct2 \
+--copy_files tokenizer_config.json preprocessor_config.json vocab.json normalizer.json merges.txt \
+added_tokens.json generation_config.json special_tokens_map.json  --quantization float16
+```
+
+Nota che i pesi del modello sono salvati in FP16. Questo tipo può essere cambiato al momento del caricamento del modello usando il parametro [`compute_type` option in CTranslate2](https://opennmt.net/CTranslate2/quantization.html).
+
+# Conclusions
+Per qualsiasi informazione sull'architettura sui dati utilizzati per il pretraining e l'intended use ti preghiamo di 
+rivolgerti al [Paper](https://arxiv.org/abs/2212.04356), la [Model Card](https://huggingface.co/openai/whisper-small) e la [Repository](https://github.com/openai/whisper) originali.