Wav2vec2 Xls R 1b German

🚀 微調整済みXLS - R 1Bドイツ語音声認識モデル

このプロジェクトは、微調整済みの音声認識モデルです。[facebook/wav2vec2 - xls - r - 1b](https://huggingface.co/facebook/wav2vec2 - xls - r - 1b) モデルをベースに、[Common Voice 8.0](https://huggingface.co/datasets/mozilla - foundation/common_voice_8_0)、Multilingual TEDx、Multilingual LibriSpeech、および Voxpopuli のトレーニングセットと検証セットを使用して、ドイツ語で微調整されています。このモデルを使用する際には、入力音声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ており、[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。

🚀 クイックスタート

モデル情報

モデル評価結果

✨ 主な機能

• XLS - R 1Bモデルをベースに微調整されており、ドイツ語音声認識タスクで優れた性能を発揮します。
• 複数の公開データセットを使用してトレーニングされているため、モデルの汎化能力が向上しています。
• HuggingSound ライブラリを使用して迅速に音声認識を行うことができるほか、推論スクリプトをカスタマイズすることも可能です。

📦 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。huggingsound、transformers、torch、librosa、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 ライブラリを使用して音声認識を行う例：

from huggingsound import SpeechRecognitionModel

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

transcriptions = model.transcribe(audio_paths)

高度な使用法

推論スクリプトをカスタマイズする例：

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

LANG_ID = "de"
MODEL_ID = "jonatasgrosman/wav2vec2-xls-r-1b-german"
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 データセットの test 分割で評価を行う：

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

2. speech - recognition - community - v2/dev_data データセットで評価を行う：

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

引用情報

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

📄 ライセンス

このプロジェクトはApache - 2.0ライセンスを使用しています。