Bp500 Base100k Voxpopuli

🚀 bp500-base100k_voxpopuli: ブラジルポルトガル語 (BP) データセットを使用したWav2vec 2.0

これは、以下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。

• CETUC: 約145時間のブラジルポルトガル語の音声が含まれ、50人の男性と50人の女性の話者に分散されています。各話者は、CETEN-Folhaコーパスから選択された約1,000の音韻的にバランスの取れた文を発音しています。
• Common Voice 7.0: Mozilla Foundationによって提案されたプロジェクトで、さまざまな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。このプロジェクトでは、ボランティアが公式サイトを使用して音声を提供し、検証しています。
• Lapsbm: "Falabrasil - UFPA" は、Fala Brasilグループがブラジルポルトガル語の自動音声認識 (ASR) システムのベンチマークに使用するデータセットです。35人の話者 (10人の女性) がそれぞれ20の固有の文を発音し、合計700のブラジルポルトガル語の発話が含まれています。音声は22.05kHzで環境制御なしで録音されています。
• Multilingual Librispeech (MLS): 多くの言語で利用可能な大規模なデータセットです。MLSは、LibriVoxのようなパブリックドメインのオーディオブックの録音に基づいています。このデータセットには、多くの言語で合計6,000時間の文字起こしデータが含まれています。この作業で使用されているポルトガル語のセット (主にブラジルのバリアント) は、62人の話者によって読まれた55冊のオーディオブックから得られた約284時間の音声を含んでいます。
• Multilingual TEDx: 8つの言語のTEDxトークの音声録音のコレクションです。ポルトガル語のセット (主にブラジルポルトガル語のバリアント) は、164時間の文字起こしされた音声を含んでいます。
• Sidney (SID): 17歳から59歳までの72人の話者 (20人の女性) によって録音された5,777の発話が含まれており、出生地、年齢、性別、教育、職業などの情報が付与されています。
• VoxForge: 音響モデル用のオープンデータセットを構築することを目的としたプロジェクトです。このコーパスには、約100人の話者と4,130のブラジルポルトガル語の発話が含まれており、サンプリングレートは16kHzから44.1kHzまでさまざまです。

これらのデータセットは、より大きなブラジルポルトガル語のデータセットを構築するために結合されました。Common Voiceの開発/テストセットを除くすべてのデータがトレーニングに使用され、開発/テストセットはそれぞれ検証/テストに使用されました。また、収集したすべてのデータセットに対してテストセットも作成しました。

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入手できます。

概要

文字起こしの例

🚀 クイックスタート

デモンストレーション

MODEL_NAME = "lgris/bp500-base100k_voxpopuli" 

インポートと依存関係

%%capture
!pip install torch==1.8.2+cu111 torchvision==0.9.2+cu111 torchaudio===0.8.2 -f https://download.pytorch.org/whl/lts/1.8/torch_lts.html
!pip install datasets
!pip install jiwer
!pip install transformers
!pip install soundfile
!pip install pyctcdecode
!pip install https://github.com/kpu/kenlm/archive/master.zip

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

ヘルパー関数

chars_to_ignore_regex = '[\,\?\.\!\;\:\"]'  # noqa: W605

def map_to_array(batch):
    speech, _ = torchaudio.load(batch["path"])
    batch["speech"] = speech.squeeze(0).numpy() 
    batch["sampling_rate"] = 16_000 
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower().replace("’", "'")
    batch["target"] = batch["sentence"]
    return batch

def calc_metrics(truths, hypos):
    wers = []
    mers = []
    wils = []
    for t, h in zip(truths, hypos):
        try:
            wers.append(jiwer.wer(t, h))
            mers.append(jiwer.mer(t, h))
            wils.append(jiwer.wil(t, h))
        except: # Empty string?
            pass
    wer = sum(wers)/len(wers)
    mer = sum(mers)/len(mers)
    wil = sum(wils)/len(wils)
    return wer, mer, wil

def load_data(dataset):
    data_files = {'test': f'{dataset}/test.csv'}
    dataset = load_dataset('csv', data_files=data_files)["test"]
    return dataset.map(map_to_array)

モデル

class STT:

    def __init__(self, 
                 model_name, 
                 device='cuda' if torch.cuda.is_available() else 'cpu', 
                 lm=None):
        self.model_name = model_name
        self.model = Wav2Vec2ForCTC.from_pretrained(model_name).to(device)
        self.processor = Wav2Vec2Processor.from_pretrained(model_name)
        self.vocab_dict = self.processor.tokenizer.get_vocab()
        self.sorted_dict = {
            k.lower(): v for k, v in sorted(self.vocab_dict.items(), 
                                            key=lambda item: item[1])
        }
        self.device = device
        self.lm = lm
        if self.lm:            
            self.lm_decoder = build_ctcdecoder(
                list(self.sorted_dict.keys()),
                self.lm
            )

    def batch_predict(self, batch):
        features = self.processor(batch["speech"], 
                                  sampling_rate=batch["sampling_rate"][0], 
                                  padding=True, 
                                  return_tensors="pt")
        input_values = features.input_values.to(self.device)
        with torch.no_grad():
            logits = self.model(input_values).logits
        if self.lm:
            logits = logits.cpu().numpy()
            batch["predicted"] = []
            for sample_logits in logits:
                batch["predicted"].append(self.lm_decoder.decode(sample_logits))
        else:
            pred_ids = torch.argmax(logits, dim=-1)
            batch["predicted"] = self.processor.batch_decode(pred_ids)
        return batch

データセットのダウンロード

%%capture
!gdown --id 1HFECzIizf-bmkQRLiQD0QVqcGtOG5upI
!mkdir bp_dataset
!unzip bp_dataset -d bp_dataset/

%cd bp_dataset 

テスト

stt = STT(MODEL_NAME)

CETUC

ds = load_data('cetuc_dataset')
result = ds.map(stt.batch_predict, batched=True, batch_size=8) 
wer, mer, wil = calc_metrics(result["sentence"], result["predicted"])
print("CETUC WER:", wer)

Common Voice

ds = load_data('commonvoice_dataset')
result = ds.map(stt.batch_predict, batched=True, batch_size=8) 
wer, mer, wil = calc_metrics(result["sentence"], result["predicted"])
print("CV WER:", wer)

LaPS

ds = load_data('lapsbm_dataset')
result = ds.map(stt.batch_predict, batched=True, batch_size=8) 
wer, mer, wil = calc_metrics(result["sentence"], result["predicted"])
print("Laps WER:", wer)

MLS

ds = load_data('mls_dataset')
result = ds.map(stt.batch_predict, batched=True, batch_size=8) 
wer, mer, wil = calc_metrics(result["sentence"], result["predicted"])
print("MLS WER:", wer)

SID

ds = load_data('sid_dataset')
result = ds.map(stt.batch_predict, batched=True, batch_size=8) 
wer, mer, wil = calc_metrics(result["sentence"], result["predicted"])
print("Sid WER:", wer)

TEDx

ds = load_data('tedx_dataset')
result = ds.map(stt.batch_predict, batched=True, batch_size=8) 
wer, mer, wil = calc_metrics(result["sentence"], result["predicted"])
print("TEDx WER:", wer)

VoxForge

ds = load_data('voxforge_dataset')
result = ds.map(stt.batch_predict, batched=True, batch_size=8) 
wer, mer, wil = calc_metrics(result["sentence"], result["predicted"])
print("VoxForge WER:", wer)

言語モデルを使用したテスト

!rm -rf ~/.cache
!gdown --id 1GJIKseP5ZkTbllQVgOL98R4yYAcIySFP  # wikipediaで学習
stt = STT(MODEL_NAME, lm='pt-BR-wiki.word.4-gram.arpa')
# !gdown --id 1dLFldy7eguPtyJj5OAlI4Emnx0BpFywg  # bpで学習
# stt = STT(MODEL_NAME, lm='pt-BR.word.4-gram.arpa')

Cetuc

ds = load_data('cetuc_dataset')
result = ds.map(stt.batch_predict, batched=True, batch_size=8) 
wer, mer, wil = calc_metrics(result["sentence"], result["predicted"])
print("CETUC WER:", wer)

Common Voice

ds = load_data('commonvoice_dataset')
result = ds.map(stt.batch_predict, batched=True, batch_size=8) 
wer, mer, wil = calc_metrics(result["sentence"], result["predicted"])
print("CV WER:", wer)

LaPS

ds = load_data('lapsbm_dataset')
result = ds.map(stt.batch_predict, batched=True, batch_size=8) 
wer, mer, wil = calc_metrics(result["sentence"], result["predicted"])
print("Laps WER:", wer)

MLS

ds = load_data('mls_dataset')
result = ds.map(stt.batch_predict, batched=True, batch_size=8) 
wer, mer, wil = calc_metrics(result["sentence"], result["predicted"])
print("MLS WER:", wer)

SID

ds = load_data('sid_dataset')
result = ds.map(stt.batch_predict, batched=True, batch_size=8) 
wer, mer, wil = calc_metrics(result["sentence"], result["predicted"])
print("Sid WER:", wer)

TEDx

ds = load_data('tedx_dataset')
result = ds.map(stt.batch_predict, batched=True, batch_size=8) 
wer, mer, wil = calc_metrics(result["sentence"], result["predicted"])
print("TEDx WER:", wer)

VoxForge

ds = load_data('voxforge_dataset')
result = ds.map(stt.batch_predict, batched=True, batch_size=8) 
wer, mer, wil = calc_metrics(result["sentence"], result["predicted"])
print("VoxForge WER:", wer)

📄 ライセンス

このプロジェクトは、Apache License 2.0の下でライセンスされています。