MedVoice : Whisper fine-tuné pour le français africain médical
Adaptation de Whisper Small à l'accent africain du français en radiologie. WER réduit de 109,6 % à 20 % (+75 %), avec la constitution du premier dataset open-source du français africain médical.
Aperçu
MedVoice est un projet de reconnaissance vocale (ASR) ciblant un angle mort des technologies existantes : l’accent africain du français dans le domaine médical. J’ai adapté le modèle Whisper Small à des comptes-rendus de radiologie pour en faire un outil de transcription réellement utilisable par les praticiens.
Une contribution open source
Au-delà du modèle, le projet a permis la constitution du premier dataset open-source du français africain destiné aux technologies de reconnaissance vocale dans le domaine médical : une ressource quasi inexistante jusqu’alors.
Ce travail constitue également le sujet de mon Mémoire de Licence.
Résultat clé
| Métrique | Avant | Après |
|---|---|---|
| Word Error Rate (WER) | 109,6 % | 20 % |
Soit une amélioration de 75 % de la précision de transcription sur notre échantillon de test.
Approche technique
- Constitution et nettoyage d’un corpus audio + transcriptions (radiologie)
- Fine-tuning de
whisper-smallsur le domaine et l’accent cibles - Évaluation par WER sur un jeu de test représentatif
- Intégration dans une application de transcription médicale (MedVoice)
Stack
Python · HuggingFace Transformers · Whisper · PyTorch
Contexte
Projet mené dans la continuité de mon stage d’ingénierie IA chez AdjibolaTech, autour de solutions de télémédecine basées sur l’IA.