Wav2vec2 Xls R 1b Italian

🚀 イタリア語音声認識用に微調整されたXLS - R 1Bモデル

このモデルは、[facebook/wav2vec2 - xls - r - 1b](https://huggingface.co/facebook/wav2vec2 - xls - r - 1b)をベースに、[Common Voice 8.0](https://huggingface.co/datasets/mozilla - foundation/common_voice_8_0)、Multilingual TEDx、Multilingual LibriSpeech、Voxpopuliのトレーニングセットと検証セットを使用して、イタリア語に対して微調整されています。このモデルを使用する際は、音声入力のサンプリングレートが16kHzであることを確認してください。

このモデルはHuggingSoundツールを使用して微調整され、[OVHcloud](https://www.ovhcloud.com/en/public - cloud/ai - training/)が提供してくれたGPU計算リソースに感謝いたします。

✨ 主な機能

• 複数データセットでの微調整：複数の公開データセットを使用して、イタリア語の音声認識が最適化されています。
• 高精度な性能：複数の評価指標で良好な結果を得ており、例えばCommon Voice 8データセットでのテストでは、WERが9.04%、CERが2.2%です。

📦 インストール

ドキュメントに具体的なインストール手順は記載されていません。transformers、librosa、torch、datasetsなどの関連依存ライブラリの公式ドキュメントを参照してインストールしてください。

💻 使用例

基本的な使用法

HuggingSoundライブラリを使用する場合：

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-xls-r-1b-italian")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]

transcriptions = model.transcribe(audio_paths)

高度な使用法

独自の推論スクリプトを作成する場合：

import torch
import librosa
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

LANG_ID = "it"
MODEL_ID = "jonatasgrosman/wav2vec2-xls-r-1b-italian"
SAMPLES = 10

test_dataset = load_dataset("common_voice", LANG_ID, split=f"test[:{SAMPLES}]")

processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)
model = Wav2Vec2ForCTC.from_pretrained(MODEL_ID)

# データセットの前処理
# 音声ファイルを配列として読み込む必要があります
def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = librosa.load(batch["path"], sr=16_000)
    batch["speech"] = speech_array
    batch["sentence"] = batch["sentence"].upper()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)

with torch.no_grad():
    logits = model(inputs.input_values, attention_mask=inputs.attention_mask).logits

predicted_ids = torch.argmax(logits, dim=-1)
predicted_sentences = processor.batch_decode(predicted_ids)

📚 ドキュメント

評価コマンド

1. mozilla - foundation/common_voice_8_0のtest分割セットで評価する場合：

python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-italian --dataset mozilla-foundation/common_voice_8_0 --config it --split test

2. speech - recognition - community - v2/dev_dataで評価する場合：

python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-italian --dataset speech-recognition-community-v2/dev_data --config it --split validation --chunk_length_s 5.0 --stride_length_s 1.0

モデル評価結果

📄 ライセンス

このプロジェクトはApache 2.0ライセンスの下で提供されています。

📖 引用

このモデルを引用する場合は、以下のBibTeX形式を使用できます。

@misc{grosman2021xlsr-1b-italian,
  title={Fine-tuned {XLS-R} 1{B} model for speech recognition in {I}talian},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-xls-r-1b-italian}},
  year={2022}
}