🚀 Wav2Vec2-Large-XLSR-53-EU
このモデルは、Common Voice データセットを使用してバスク語で微調整された facebook/wav2vec2-large-xlsr-53 です。このモデルを使用する際には、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
✨ 主な機能
- バスク語の自動音声認識に特化したモデルです。
- モデルは直接使用することができ、言語モデルを必要としません。
📦 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。以下のコマンドを使用してインストールできます。
pip install torch torchaudio datasets transformers librosa
💻 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", "eu", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("pcuenq/wav2vec2-large-xlsr-53-eu")
model = Wav2Vec2ForCTC.from_pretrained("pcuenq/wav2vec2-large-xlsr-53-eu")
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 re
test_dataset = load_dataset("common_voice", "eu", split="test")
wer = load_metric("wer")
model_name = "pcuenq/wav2vec2-large-xlsr-53-eu"
processor = Wav2Vec2Processor.from_pretrained(model_name)
model = Wav2Vec2ForCTC.from_pretrained(model_name)
model.to("cuda")
chars_to_ignore_regex = '[\,\¿\?\.\¡\!\-\;\:\"\“\%\‘\”\\…\’\ː\'\‹\›\`\´\®\—\→]'
chars_to_ignore_pattern = re.compile(chars_to_ignore_regex)
def remove_special_characters(batch):
batch["sentence"] = chars_to_ignore_pattern.sub('', batch["sentence"]).lower() + " "
return batch
import librosa
def speech_file_to_array_fn(batch):
speech_array, sample_rate = torchaudio.load(batch["path"])
batch["speech"] = librosa.resample(speech_array.squeeze().numpy(), sample_rate, 16_000)
return batch
def cv_prepare(batch):
batch = remove_special_characters(batch)
batch = speech_file_to_array_fn(batch)
return batch
num_proc = 16
test_dataset = test_dataset.map(cv_prepare, remove_columns=['path'], num_proc=num_proc)
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"])))
📚 詳細ドキュメント
評価
このモデルは、Common Voiceのバスク語テストデータで評価することができます。評価コードの詳細については、上記の「高度な使用法」を参照してください。
テスト結果: 15.34 %
トレーニング
Common Voiceの train
と validation
データセットを使用してトレーニングを行いました。トレーニングは、以下のパラメータで22 + 20エポック行われました。
- バッチサイズ: 16、勾配累積ステップ: 2
- 学習率: 2.5e-4
- 活性化ドロップアウト: 0.05
- アテンションドロップアウト: 0.1
- 隠れ層ドロップアウト: 0.05
- 特徴投影ドロップアウト: 0.05
- マスク時間確率: 0.08
- レイヤードロップアウト: 0.05
📄 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。
情報テーブル
| 属性 | 詳細 |
|------|------|
| モデルタイプ | Wav2Vec2-Large-XLSR-53-EU |
| トレーニングデータ | Common Voice |
| 評価指標 | WER (Word Error Rate) |
| テスト結果 | 15.34 % |
| ライセンス | Apache-2.0 |
重要提示
> ⚠️ **重要提示**
>
> このモデルを使用する際には、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。
> 💡 **使用アドバイス**
>
> トレーニングや評価を行う際には、適切なハードウェア環境(GPUなど)を用意することをおすすめします。