Wav2vec2 Large Xlsr Open Brazilian Portuguese

🚀 Wav2vec 2.0 With Open Brazilian Portuguese Datasets

このプロジェクトは、次のデータセットを使用してブラジルポルトガル語用にファインチューニングされたWav2vecモデルのデモンストレーションです。

🚀 クイックスタート

モデルの概要

このモデルは、ブラジルポルトガル語の音声認識に特化しており、複数の公開データセットを組み合わせて訓練されています。

データセット

• CETUC：約145時間のブラジルポルトガル語の音声データが含まれ、50人の男性と50人の女性の話者がそれぞれ約1,000文の音声を提供しています。
• Multilingual Librispeech (MLS)：多言語の大規模データセットで、ブラジルポルトガル語のデータは約284時間あります。
• VoxForge：音響モデル用のオープンデータセットを構築するためのプロジェクトで、約100人の話者と4,130の発話が含まれています。
• Common Voice 6.1（訓練データのみ）：Mozilla Foundationが提案したプロジェクトで、ASRモデルを訓練するための多言語のオープンデータセットを作成することを目的としています。
• Lapsbm：Fala Brasilグループがブラジルポルトガル語のASRシステムのベンチマークに使用するデータセットで、35人の話者の700の発話が含まれています。

モデルの訓練

元のモデルはfairseqを使用してファインチューニングされました。このノートブックでは、元のモデルの変換バージョンを使用しています。元のfairseqモデルへのリンクはこちらから取得できます。

データセットの分布

次の画像は、データセットの全体的な分布を示しています。

転写例

💻 使用例

基本的な使用法

%%capture
!pip install datasets
!pip install jiwer
!pip install torchaudio
!pip install transformers
!pip install soundfile

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

高度な使用法

chars_to_ignore_regex = '[\,\?\.\!\;\:\"]'  # noqa: W605
wer = load_metric("wer")
device = "cuda"

model_name = 'lgris/wav2vec2-large-xlsr-open-brazilian-portuguese'
model = Wav2Vec2ForCTC.from_pretrained(model_name).to(device)
processor = Wav2Vec2Processor.from_pretrained(model_name)

def map_to_pred(batch):
    features = processor(batch["speech"], sampling_rate=batch["sampling_rate"][0], padding=True, return_tensors="pt")
    input_values = features.input_values.to(device)
    attention_mask = features.attention_mask.to(device)
    with torch.no_grad():
        logits = model(input_values, attention_mask=attention_mask).logits
    pred_ids = torch.argmax(logits, dim=-1)
    batch["predicted"] = processor.batch_decode(pred_ids)
    batch["predicted"] = [pred.lower() for pred in batch["predicted"]]
    batch["target"] = batch["sentence"]
    return batch

テスト

Common Voiceに対するテスト（ドメイン内）

dataset = load_dataset("common_voice", "pt", split="test", data_dir="./cv-corpus-6.1-2020-12-11")

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

def map_to_array(batch):
    speech, _ = torchaudio.load(batch["path"])
    batch["speech"] = resampler.forward(speech.squeeze(0)).numpy()
    batch["sampling_rate"] = resampler.new_freq
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower().replace("’", "'")
    return batch

ds = dataset.map(map_to_array)
result = ds.map(map_to_pred, batched=True, batch_size=1, remove_columns=list(ds.features.keys()))
print(wer.compute(predictions=result["predicted"], references=result["target"]))
for pred, target in zip(result["predicted"][:10], result["target"][:10]):
    print(pred, "|", target) 

結果: 12.90%

TEDxに対するテスト（ドメイン外）

!gdown --id 1HJEnvthaGYwcV_whHEywgH2daIN4bQna
!tar -xf tedx.tar.gz

dataset = load_dataset('csv', data_files={'test': 'tedx/test.csv'})['test']

def map_to_array(batch):
    speech, _ = torchaudio.load(batch["path"])
    batch["speech"] = speech.squeeze(0).numpy()
    batch["sampling_rate"] = resampler.new_freq
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower().replace("’", "'")
    return batch

ds = dataset.map(map_to_array)
result = ds.map(map_to_pred, batched=True, batch_size=1, remove_columns=list(ds.features.keys()))
print(wer.compute(predictions=result["predicted"], references=result["target"]))
for pred, target in zip(result["predicted"][:10], result["target"][:10]):
    print(pred, "|", target) 

結果: 35.21%

📄 ライセンス

このプロジェクトは、Apache-2.0ライセンスの下で公開されています。

モデル情報

• モデル名: Lucas Gris XLSR Wav2Vec2 Large 53 Brazilian Portuguese
• タスク: 音声認識 (Automatic Speech Recognition)
• 評価指標: Test WER (12.905054857823264%)