Wav2vec2 Large Xlsr Greek 2

🚀 Wav2Vec2-Large-XLSR-53-Greek

このモデルは、Common Voiceのギリシャ語データを使って、facebook/wav2vec2-large-xlsr-53をファインチューニングしたものです。ギリシャ語のCommon Voiceデータには男性の音声が多く含まれています。これをバランスさせるため、ここで議論されたアプローチを用いて女性の音声を合成しました。また、GoogleのTTS Standard Voiceモデルを使って、Common Voiceデータセットのテキストから女性話者の音声を合成しました。

facebook/wav2vec2-large-xlsr-53をギリシャ語のCommon Voiceでファインチューニングしました。

• 5エポックの学習 >> 56.25% WER
• チェックポイントから再開してさらに15エポックの学習 >> 34.00%
• 合成した女性の音声を追加して12エポックの学習 >> 34.00% (変化なし)

このモデルを使用する際は、音声入力が16kHzでサンプリングされていることを確認してください。

🚀 クイックスタート

このセクションでは、モデルの基本的な使い方を説明します。

✨ 主な機能

• ギリシャ語の自動音声認識に特化したモデル
• 合成した女性の音声を用いてデータのバランスを改善

📦 インストール

このモデルを使用するには、必要なライブラリをインストールする必要があります。以下のコマンドを実行してください。

pip install torch torchaudio datasets transformers

💻 使用例

基本的な使用法

import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
test_dataset = load_dataset("common_voice", "el", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("skylord/greek_lsr_1") 
model = Wav2Vec2ForCTC.from_pretrained("skylord/greek_lsr_1") 

resampler = torchaudio.transforms.Resample(48_000, 16_000)

# Preprocessing the datasets.
# We need to read the aduio files as arrays
def speech_file_to_array_fn(batch):
  speech_array, sampling_rate = torchaudio.load(batch["path"])
  batch["speech"] = resampler(speech_array).squeeze().numpy()
  return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset["speech"][:2], sampling_rate=16_000, return_tensors="pt", padding=True)

with torch.no_grad():
  logits = model(inputs.input_values, attention_mask=inputs.attention_mask).logits
  
predicted_ids = torch.argmax(logits, dim=-1)
print("Prediction:", processor.batch_decode(predicted_ids))
print("Reference:", test_dataset["sentence"][:2])

高度な使用法

import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re

test_dataset = load_dataset("common_voice", "el", split="test") 
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("skylord/greek_lsr_1") 
model = Wav2Vec2ForCTC.from_pretrained("skylord/greek_lsr_1")
model.to("cuda")

chars_to_ignore_regex = '[\\\\\\\\,\\\\\\\\?\\\\\\\\.\\\\\\\\!\\\\\\\\-\\\\\\\\;\\\\\\\\:\\\\\\\\"\\\\\\\\“]' 
resampler = torchaudio.transforms.Resample(48_000, 16_000)

# Preprocessing the datasets.
# We need to read the aduio files as arrays

def speech_file_to_array_fn(batch):
  batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
  speech_array, sampling_rate = torchaudio.load(batch["path"])
  batch["speech"] = resampler(speech_array).squeeze().numpy()
  return batch
  
test_dataset = test_dataset.map(speech_file_to_array_fn)

# Preprocessing the datasets.
# We need to read the aduio files as arrays

def evaluate(batch):
  inputs = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)
  with torch.no_grad():
    logits = model(inputs.input_values.to("cuda"), attention_mask=inputs.attention_mask.to("cuda")).logits
  pred_ids = torch.argmax(logits, dim=-1)
  batch["pred_strings"] = processor.batch_decode(pred_ids)
  return batch

result = test_dataset.map(evaluate, batched=True, batch_size=8)
print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["sentence"])))

テスト結果: 45.048955 %

📚 ドキュメント

このモデルの学習には、Common Voiceのtrainとvalidationデータセットが使用されました。学習に使用したスクリプトはここで確認できます。（TODO: 学習スクリプトへのリンクを記入してください。Colabで学習した場合は、そのリンクを記入してください。ローカルで学習した場合は、学習スクリプトをGitHubにアップロードして、そのリンクを貼り付けると良いでしょう。）

📄 ライセンス

このモデルは、apache-2.0ライセンスの下で提供されています。