Wav2vec2 Large Xlsr 53 Italian

🚀 イタリア語音声認識用の微調整XLSR - 53大規模モデル

このモデルは、facebook/wav2vec2-large-xlsr-53 をイタリア語コーパスで微調整したもので、Common Voice 6.1 のトレーニングセットと検証セットを使用しています。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 が提供するGPU計算リソースが利用されています。

トレーニングスクリプトはこちらで見つけることができます：https://github.com/jonatasgrosman/wav2vec2-sprint

🚀 クイックスタート

このモデルは、facebook/wav2vec2-large-xlsr-53 をイタリア語データセットで微調整したもので、イタリア語の自動音声認識タスクに使用できます。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。

✨ 主な機能

• 微調整モデル：XLSR - 53大規模モデルをイタリア語で微調整し、イタリア語の音声認識に適合させています。
• 複数のデータセットサポート：Common Voiceなどのデータセットを使用してトレーニングと評価を行っています。
• 指標評価：単語誤り率（WER）と文字誤り率（CER）などの評価指標を提供しています。

📦 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。関連する依存ライブラリ（huggingsound、transformers、librosa、datasets など）の公式インストールガイドを参照してください。

💻 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です：

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-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例です：

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

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

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

以下は一部の認識結果の例です：

📚 ドキュメント

評価方法

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-italian --dataset mozilla-foundation/common_voice_6_0 --config it --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-italian --dataset speech-recognition-community-v2/dev_data --config it --split validation --chunk_length_s 5.0 --stride_length_s 1.0

モデル指標

一部の評価結果は以下の通りです：

• Common Voice itデータセットでの結果：
  • テストセットのWER：9.41
  • テストセットのCER：2.29
  • テストセットのWER (+LM)：6.91
  • テストセットのCER (+LM)：1.83
• Robust Speech Event - Dev Dataデータセットでの結果：
  • 開発セットのWER：21.78
  • 開発セットのCER：7.94
  • 開発セットのWER (+LM)：15.82
  • 開発セットのCER (+LM)：6.83

📄 ライセンス

このモデルはApache 2.0ライセンスを使用しています。

🔧 技術詳細

このモデルは、facebook/wav2vec2-large-xlsr-53 を微調整したもので、Common Voice 6.1 のトレーニングセットと検証セットを使用しています。微調整の過程では、GPU計算リソースを使用してトレーニングを行い、イタリア語の音声認識タスクに適合させています。

📚 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-italian,
  title={Fine-tuned {XLSR}-53 large model for speech recognition in {I}talian},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-italian}},
  year={2021}
}

⚠️ 重要な注意事項

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。

💡 使用上のヒント

評価スクリプトのパラメータ（chunk_length_s や stride_length_s など）を調整することで、より良い評価結果を得ることができます。