Wav2vec2 Large Slavic Parlaspeech Hr

🚀 wav2vec2-large-slavic-parlaspeech-hr

このクロアチア語の自動音声認識（ASR）モデルは、facebook/wav2vec2-large-slavic-voxpopuli-v2モデルに基づいており、ASRクロアチア議会データセットParlaSpeech-HR v1.0の300時間分の録音と文字起こしデータを用いてファインチューニングされています。

このモデルを使用する場合は、以下の論文を引用してください。

Nikola Ljubešić, Danijel Koržinek, Peter Rupnik, Ivo - Pavao Jazbec. ParlaSpeech - HR -- a freely available ASR dataset for Croatian bootstrapped from the ParlaMint corpus. http://www.lrec-conf.org/proceedings/lrec2022/workshops/ParlaCLARINIII/pdf/2022.parlaclariniii-1.16.pdf

🚀 クイックスタート

メトリクス

評価は、ParlaSpeech-HR v1.0データセットの開発用とテスト用の部分で行われています。

複数のモデルが利用可能で、CERとWERの観点から最も性能の良いモデルはwav2vec2-large-slavic-parlaspeech-hr-lmです。

💻 使用例

基本的な使用法

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
import soundfile as sf
import torch
import os
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# load model and tokenizer
processor = Wav2Vec2Processor.from_pretrained(
    "classla/wav2vec2-large-slavic-parlaspeech-hr")
model = Wav2Vec2ForCTC.from_pretrained("classla/wav2vec2-large-slavic-parlaspeech-hr")
# download the example wav files:
os.system("wget https://huggingface.co/classla/wav2vec2-large-slavic-parlaspeech-hr/raw/main/00020570a.flac.wav")
# read the wav file 
speech, sample_rate = sf.read("00020570a.flac.wav")
input_values = processor(speech, sampling_rate=sample_rate, return_tensors="pt").input_values.to(device)
# remove the raw wav file
os.system("rm 00020570a.flac.wav")
# retrieve logits
logits = model.to(device)(input_values).logits
# take argmax and decode
predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.decode(predicted_ids[0]).lower()
# transcription: 'veliki broj poslovnih subjekata posluje sa minusom velik dio'

🔧 技術詳細

トレーニングのハイパーパラメータ

ファインチューニング時には、以下の引数が使用されています。