🚀 Wav2Vec2-Large-XLSR-53-オランダ語
このプロジェクトは、Common Voice データセットを基に、オランダ語に対して facebook/wav2vec2-large-xlsr-53 モデルを微調整しています。
このモデルを使用する際には、音声入力のサンプリングレートが 16kHz であることを確認してください。
🚀 クイックスタート
このモデルはオランダ語の音声認識タスクで微調整されており、オランダ語の音声をテキストに変換するために使用できます。使用する際には、入力音声のサンプリングレートの要件に注意してください。
✨ 主な機能
- 微調整モデル:
facebook/wav2vec2-large-xlsr-53
をオランダ語データセットで微調整したものです。
- 特定のサンプリングレート要件:音声入力のサンプリングレートは 16kHz である必要があります。
💻 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", "nl", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("simonsr/wav2vec2-large-xlsr-dutch")
model = Wav2Vec2ForCTC.from_pretrained("simonsr/wav2vec2-large-xlsr-dutch")
resampler = torchaudio.transforms.Resample(48_000, 16_000)
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 unidecode
import re
test_dataset = load_dataset("common_voice", "nl", split="test")
wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("{model_id}")
model = Wav2Vec2ForCTC.from_pretrained("{model_id}")
model.to("cuda")
chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“\%\‘\”\�\(\)\=\´\–\&\…\—\’]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)
def speech_file_to_array_fn(batch):
batch["sentence"] = unidecode.unidecode(batch["sentence"])
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)
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"])))
📚 ドキュメント
評価
このモデルは、Common Voice のオランダ語テストデータで以下のように評価できます。
上記の高度な使用法のコードが評価コードであり、テスト結果では単語誤り率(WER)が 38.74% でした。
トレーニング
トレーニングには Common Voice の train
、validation
などのデータセットを使用しました。トレーニングスクリプトは ここ で見つけることができます(トレーニングスクリプトのリンクを補完する必要があります)。
📄 ライセンス
このモデルは apache-2.0
ライセンスを採用しています。
モデル情報テーブル
属性 |
詳細 |
モデルタイプ |
Wav2Vec2-Large-XLSR-53-オランダ語 |
トレーニングデータ |
Common Voice オランダ語データセット |
評価指標 |
単語誤り率(WER) |
テスト WER |
38.74% |
ライセンス |
apache-2.0 |
⚠️ 重要提示
このモデルを使用する際には、音声入力のサンプリングレートが 16kHz であることを確認してください。