Wav2vec2 Large Xlsr 53 Greek

🚀 XLSR-Wav2Vec2自動音声認識（ASR）モデルのギリシャ語（el）バージョン

このモデルは、自動音声認識（ASR）に特化したXLSR-Wav2Vec2モデルのギリシャ語版です。追加のデータセットを用いて微調整され、高い精度でギリシャ語の音声を認識できます。

🚀 クイックスタート

推論の実行

推論を行うには、音声ファイルが16kHzでサンプリングされていることを確認してください。ASR_Inference.ipynbにCommonVoiceの抽出データでのテスト手順が記載されています。以下にコードの抜粋を示します。

#!/usr/bin/env python
# coding: utf-8

# Loading dependencies and defining preprocessing functions 

from transformers import Wav2Vec2ForCTC
from transformers import Wav2Vec2Processor
from datasets import load_dataset, load_metric
import re
import torchaudio
import librosa
import numpy as np
from datasets import load_dataset, load_metric
import torch

chars_to_ignore_regex = '[\\\\\\\\,\\\\\\\\?\\\\\\\\.\\\\\\\\!\\\\\\\\-\\\\\\\\;\\\\\\\\:\\\\\\\\"\\\\\\\\“\\\\\\\\%\\\\\\\\‘\\\\\\\\”\\\\\\\\�]'

def remove_special_characters(batch):
    batch["text"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower() + " "
    return batch

def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = speech_array[0].numpy()
    batch["sampling_rate"] = sampling_rate
    batch["target_text"] = batch["text"]
    return batch

def resample(batch):
    batch["speech"] = librosa.resample(np.asarray(batch["speech"]), 48_000, 16_000)
    batch["sampling_rate"] = 16_000
    return batch

def prepare_dataset(batch):
    # check that all files have the correct sampling rate
    assert (
        len(set(batch["sampling_rate"])) == 1
    ), f"Make sure all inputs have the same sampling rate of {processor.feature_extractor.sampling_rate}."

    batch["input_values"] = processor(batch["speech"], sampling_rate=batch["sampling_rate"][0]).input_values
    
    with processor.as_target_processor():
        batch["labels"] = processor(batch["target_text"]).input_ids
    return batch


# Loading model and dataset processor

model = Wav2Vec2ForCTC.from_pretrained("lighteternal/wav2vec2-large-xlsr-53-greek").to("cuda")
processor = Wav2Vec2Processor.from_pretrained("lighteternal/wav2vec2-large-xlsr-53-greek")


# Preparing speech dataset to be suitable for inference

common_voice_test = load_dataset("common_voice", "el", split="test")

common_voice_test = common_voice_test.remove_columns(["accent", "age", "client_id", "down_votes", "gender", "locale", "segment", "up_votes"])

common_voice_test = common_voice_test.map(remove_special_characters, remove_columns=["sentence"])

common_voice_test = common_voice_test.map(speech_file_to_array_fn, remove_columns=common_voice_test.column_names)

common_voice_test = common_voice_test.map(resample, num_proc=8)

common_voice_test = common_voice_test.map(prepare_dataset, remove_columns=common_voice_test.column_names, batch_size=8, num_proc=8, batched=True)


# Loading test dataset

common_voice_test_transcription = load_dataset("common_voice", "el", split="test")


#Performing inference on a random sample. Change the "example" value to try inference on different CommonVoice extracts

example = 123

input_dict = processor(common_voice_test["input_values"][example], return_tensors="pt", sampling_rate=16_000, padding=True)

logits = model(input_dict.input_values.to("cuda")).logits

pred_ids = torch.argmax(logits, dim=-1)

print("Prediction:")
print(processor.decode(pred_ids[0]))
# πού θέλεις να πάμε ρώτησε φοβισμένα ο βασιλιάς

print("\\\\
Reference:")
print(common_voice_test_transcription["sentence"][example].lower())
# πού θέλεις να πάμε; ρώτησε φοβισμένα ο βασιλιάς.

評価

このモデルは、Common Voiceのギリシャ語テストデータで以下のように評価できます。

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("lighteternal/wav2vec2-large-xlsr-53-greek") 
model = Wav2Vec2ForCTC.from_pretrained("lighteternal/wav2vec2-large-xlsr-53-greek")
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: 10.497628 %

訓練の実行

訓練プロセスを再現するための手順とコードは、Fine_Tune_XLSR_Wav2Vec2_on_Greek_ASR_with_🤗_Transformers.ipynbノートブックに記載されています。

✨ 主な機能

• 多言語対応: XLSR-Wav2Vec2は、50以上の言語のラベルなし音声データから強力な音声表現を学習します。
• 高精度: 追加の1.22GBのCSS10データセットを用いて微調整され、高いWord Error Rate (WER) を達成しています。

📦 インストール

本READMEにはインストール手順に関する具体的な内容が記載されていないため、このセクションは省略します。

📚 ドキュメント

モデルの説明

UPDATE: CSS10からの追加の1.22GBのデータセットを使用して微調整プロセスを繰り返しました。

Wav2Vec2は、自動音声認識（ASR）のための事前学習モデルで、2020年9月にAlexei Baevski、Michael Auli、Alex Conneauによって公開されました。Wav2Vec2の優れた性能が英語のASRデータセットLibriSpeechで実証された直後、Facebook AIはXLSR-Wav2Vec2を発表しました。XLSRはクロス言語音声表現を意味し、XLSR-Wav2Vec2が複数の言語にわたって有用な音声表現を学習する能力を指します。

Wav2Vec2と同様に、XLSR-Wav2Vec2は、50以上の言語の数十万時間のラベルなし音声から強力な音声表現を学習します。BERTのマスク言語モデリングと同様に、このモデルは、特徴ベクトルをトランスフォーマーネットワークに渡す前にランダムにマスクすることで、文脈化された音声表現を学習します。

このモデルは、単一のNVIDIA RTX 3080で50エポック、約8時間の訓練を行っています。

🔧 技術詳細

• 言語: ギリシャ語（el）
• データセット:
  • CommonVoice (EL), 364MB: https://commonvoice.mozilla.org/el/datasets
  • CSS10 (EL), 1.22GB: https://github.com/Kyubyong/css10
• モデル: XLSR-Wav2Vec2、50エポックで訓練
• 評価指標: Word Error Rate (WER)

📄 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。

謝辞

この研究は、Hellenic Foundation for Research and Innovation (HFRI) のHFRI博士研究員奨学金（奨学金番号: 50、第2回公募）によって支援されています。

このモデルは、Patrick von Platenのチュートリアルに基づいています: https://huggingface.co/blog/fine-tune-xlsr-wav2vec2 元のColabノートブックはこちら: https://colab.research.google.com/github/patrickvonplaten/notebooks/blob/master/Fine_Tune_XLSR_Wav2Vec2_on_Turkish_ASR_with_%F0%9F%A4%97_Transformers.ipynb#scrollTo=V7YOT2mnUiea