Wav2vec2 Large Xlsr 53 Spanish

🚀 スペイン語音声認識用の微調整XLSR - 53大型モデル

本プロジェクトは、スペイン語データセットを使用して facebook/wav2vec2-large-xlsr-53 モデルを微調整した成果です。訓練と検証に使用したデータセットは Common Voice 6.1 から取得しています。このモデルを使用する際には、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。

このモデルの微調整には、OVHcloud から提供されたGPU計算リソースが大きく貢献しています。訓練スクリプトは こちら で確認できます。

🚀 クイックスタート

このモデルは直接使用できます（言語モデルは不要）。以下に具体的な使用方法を説明します。

✨ 主な機能

• データセット：common_voice と mozilla-foundation/common_voice_6_0 データセットを使用して訓練されています。
• 評価指標：wer（単語誤り率）と cer（文字誤り率）を使用して評価されています。
• 適用シーン：スペイン語の自動音声認識タスクに適しています。

📦 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、datasets などの関連依存ライブラリのインストール説明を参考にしてください。

💻 使用例

基本的な使用法

HuggingSound ライブラリを使用した音声認識の例です。

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-spanish")
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例です。

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

LANG_ID = "es"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-spanish"
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)

for i, predicted_sentence in enumerate(predicted_sentences):
    print("-" * 100)
    print("参照:", test_dataset[i]["sentence"])
    print("予測:", predicted_sentence)

以下は一部の予測結果の例です。

📚 ドキュメント

評価

1. mozilla-foundation/common_voice_6_0 データセットの test 分割で評価する場合：

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-spanish --dataset mozilla-foundation/common_voice_6_0 --config es --split test

2. speech-recognition-community-v2/dev_data データセットで評価する場合：

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-spanish --dataset speech-recognition-community-v2/dev_data --config es --split validation --chunk_length_s 5.0 --stride_length_s 1.0

📄 ライセンス

本プロジェクトは 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形式を使用してください。

@misc{grosman2021xlsr53-large-spanish,
  title={Fine-tuned {XLSR}-53 large model for speech recognition in {S}panish},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-spanish}},
  year={2021}
}