Wav2vec2 Large Xlsr 53 Punjabi

🚀 wav2vec2-large-xlsr-53-punjabi

このモデルは、Harveenchadha/vakyansh-wav2vec2-punjabi-pam-10 を common_voice データセットでファインチューニングしたバージョンです。評価セットでは以下の結果を達成しています。

• 損失: 1.2101
• 単語誤り率 (Wer): 0.4939
• 文字誤り率 (Cer): 0.2238

🚀 クイックスタート

評価コマンド

1. mozilla-foundation/common_voice_8_0 の test スプリットで評価するには

python eval.py --model_id kingabzpro/wav2vec2-large-xlsr-53-punjabi --dataset mozilla-foundation/common_voice_8_0 --config pa-IN --split test

💻 使用例

基本的な使用法

import torch
from datasets import load_dataset
from transformers import AutoModelForCTC, AutoProcessor
import torchaudio.functional as F
model_id = "kingabzpro/wav2vec2-large-xlsr-53-punjabi"
sample_iter = iter(load_dataset("mozilla-foundation/common_voice_8_0", "pa-IN", split="test", streaming=True, use_auth_token=True))
sample = next(sample_iter)
resampled_audio = F.resample(torch.tensor(sample["audio"]["array"]), 48_000, 16_000).numpy()
model = AutoModelForCTC.from_pretrained(model_id)
processor = AutoProcessor.from_pretrained(model_id)
input_values = processor(resampled_audio, return_tensors="pt").input_values
with torch.no_grad():
    logits = model(input_values).logits
transcription = processor.batch_decode(logits.numpy()).text

📚 詳細ドキュメント

トレーニングハイパーパラメータ

トレーニング中に使用されたハイパーパラメータは以下の通りです。

• 学習率: 0.0003
• トレーニングバッチサイズ: 16
• 評価バッチサイズ: 8
• シード: 42
• 勾配累積ステップ: 2
• 総トレーニングバッチサイズ: 32
• オプティマイザ: Adam (ベータ=(0.9, 0.999)、イプシロン=1e-08)
• 学習率スケジューラタイプ: 線形
• 学習率スケジューラウォームアップステップ: 200
• エポック数: 30
• 混合精度トレーニング: Native AMP

トレーニング結果

フレームワークバージョン

• Transformers 4.17.0.dev0
• Pytorch 1.10.2+cu102
• Datasets 1.18.2.dev0
• Tokenizers 0.11.0

📄 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。

📦 モデル情報