Bp500 Base10k Voxpopuli
B
Bp500 Base10k Voxpopuli
lgrisによって開発
これはブラジルポルトガル語に最適化されたWav2vec 2.0音声認識モデルで、複数のブラジルポルトガル語データセットでファインチューニングされています
ダウンロード数 23
リリース時間 : 3/2/2022
モデル概要
このモデルはWav2vec 2.0アーキテクチャに基づく自動音声認識(ASR)システムで、ブラジルポルトガル語に特化して最適化されており、複数のブラジルポルトガル語データセットで優れた性能を発揮します
モデル特徴
複数データセットトレーニング
CETUC、Common Voice、LaPS BMなど複数のブラジルポルトガル語データセットを統合し、合計450時間以上のトレーニングデータを使用しています
言語モデルサポート
4-gram言語モデルと組み合わせることで認識精度をさらに向上できます
広範なテスト検証
7つの異なるテストセットで包括的な評価を行い、平均WERは18.1%でした
モデル能力
ブラジルポルトガル語音声認識
音声からテキストへの変換
16kHzサンプリングレートの音声処理に対応
使用事例
音声文字起こし
ブラジルポルトガル語音声文字起こし
ブラジルポルトガル語の音声をテキストに変換します
CETUCテストセットではWERが12.0%で、言語モデルと組み合わせると7.5%まで低下します
音声アシスタント
ブラジルポルトガル語音声コマンド認識
ブラジルポルトガル語の音声アシスタントやスマートホームデバイスの音声コマンド認識に使用できます
🚀 bp500-base10k_voxpopuli: ブラジルポルトガル語 (BP) データセットを用いた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微調整された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ており、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コーパスから選ばれた約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、様々な言語の広く公開された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を行うため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のような公共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、出身地、年齢、性別、教育、職業などの情報が含まれています。
- 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、サンプルレートは16kHzから44.1kHzまで様々です。
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/テストセットをそれぞれ検証/テストに使用した以外は、すべてのデータがトレーニングに使用されました。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。
データセット | トレーニング | 検証 | テスト |
---|---|---|---|
CETUC | 94.0h | -- | 5.4h |
Common Voice | 37.8h | 8.9h | 9.5h |
LaPS BM | 0.8h | -- | 0.1h |
MLS | 161.0h | -- | 3.7h |
Multilingual TEDx (ポルトガル語) | 148.9h | -- | 1.8h |
SID | 7.2h | -- | 1.0h |
VoxForge | 3.9h | -- | 0.1h |
合計 | 453.6h | 8.9h | 21.6h |
元のモデルは、fairseqを使用して微調整されました。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
CETUC | CV | LaPS | MLS | SID | TEDx | VF | AVG | |
---|---|---|---|---|---|---|---|---|
bp_500 - base10k_voxpopuli (以下のデモンストレーション) | 0.120 | 0.249 | 0.039 | 0.227 | 0.169 | 0.349 | 0.116 | 0.181 |
bp_500 - base10k_voxpopuli + 4 - gram (以下のデモンストレーション) | 0.074 | 0.174 | 0.032 | 0.182 | 0.181 | 0.349 | 0.111 | 0.157 |
文字起こしの例
テキスト | 文字起こし |
---|---|
suco de uva e água misturam bem | suco deúva e água misturão bem |
culpa do dinheiro | cupa do dinheiro |
eu amo shooters call of duty é o meu favorito | eu omo shúters cofedete é meu favorito |
você pode explicar por que isso acontece | você pode explicar por que isso ontece |
no futuro você desejará ter começado a investir hoje | no futuro você desejará a ter começado a investir hoje |
🚀 クイックスタート
デモンストレーション
MODEL_NAME = "lgris/bp500-base10k_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 (LM) を使用したテスト
!rm -rf ~/.cache
!gdown --id 1GJIKseP5ZkTbllQVgOL98R4yYAcIySFP # trained with wikipedia
stt = STT(MODEL_NAME, lm='pt-BR-wiki.word.4-gram.arpa')
# !gdown --id 1dLFldy7eguPtyJj5OAlI4Emnx0BpFywg # trained with bp
# 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 2.0ライセンスの下で公開されています。
Voice Activity Detection
MIT
pyannote.audio 2.1バージョンに基づく音声活動検出モデルで、音声中の音声活動時間帯を識別するために使用されます
音声認識
V
pyannote
7.7M
181
Wav2vec2 Large Xlsr 53 Portuguese
Apache-2.0
これはポルトガル語音声認識タスク向けにファインチューニングされたXLSR-53大規模モデルで、Common Voice 6.1データセットでトレーニングされ、ポルトガル語音声からテキストへの変換をサポートします。
音声認識 その他
W
jonatasgrosman
4.9M
32
Whisper Large V3
Apache-2.0
WhisperはOpenAIが提案した先進的な自動音声認識(ASR)および音声翻訳モデルで、500万時間以上の注釈付きデータで訓練されており、強力なデータセット間およびドメイン間の汎化能力を持っています。
音声認識 複数言語対応
W
openai
4.6M
4,321
Whisper Large V3 Turbo
MIT
WhisperはOpenAIが開発した最先端の自動音声認識(ASR)および音声翻訳モデルで、500万時間以上のラベル付きデータでトレーニングされ、ゼロショット設定において強力な汎化能力を発揮します。
音声認識
Transformers 複数言語対応

W
openai
4.0M
2,317
Wav2vec2 Large Xlsr 53 Russian
Apache-2.0
facebook/wav2vec2-large-xlsr-53モデルをファインチューニングしたロシア語音声認識モデル、16kHzサンプリングレートの音声入力をサポート
音声認識 その他
W
jonatasgrosman
3.9M
54
Wav2vec2 Large Xlsr 53 Chinese Zh Cn
Apache-2.0
facebook/wav2vec2-large-xlsr-53モデルをファインチューニングした中国語音声認識モデルで、16kHzサンプリングレートの音声入力をサポートしています。
音声認識 中国語
W
jonatasgrosman
3.8M
110
Wav2vec2 Large Xlsr 53 Dutch
Apache-2.0
facebook/wav2vec2-large-xlsr-53をファインチューニングしたオランダ語音声認識モデルで、Common VoiceとCSS10データセットでトレーニングされ、16kHz音声入力に対応しています。
音声認識 その他
W
jonatasgrosman
3.0M
12
Wav2vec2 Large Xlsr 53 Japanese
Apache-2.0
facebook/wav2vec2-large-xlsr-53モデルをベースにファインチューニングした日本語音声認識モデルで、16kHzサンプリングレートの音声入力をサポート
音声認識 日本語
W
jonatasgrosman
2.9M
33
Mms 300m 1130 Forced Aligner
Hugging Faceの事前学習モデルを基にしたテキストと音声の強制アライメントツールで、多言語対応かつメモリ効率に優れています
音声認識
Transformers 複数言語対応

M
MahmoudAshraf
2.5M
50
Wav2vec2 Large Xlsr 53 Arabic
Apache-2.0
facebook/wav2vec2-large-xlsr - 53をベースに微調整されたアラビア語音声認識モデルで、Common Voiceとアラビア語音声コーパスで訓練されました。
音声認識 アラビア語
W
jonatasgrosman
2.3M
37
おすすめAIモデル
Llama 3 Typhoon V1.5x 8b Instruct
タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化
大規模言語モデル
Transformers 複数言語対応

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2%です。
対話システム
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。
質問応答システム 中国語
R
uer
2,694
98