Wav2vec2 Large Xlsr 53 Dutch

🚀 オランダ語音声認識用にファインチューニングされたXLSR-53大規模モデル

このモデルは、Common Voice 6.1 と CSS10 の学習データと検証データを用いて、オランダ語に対して facebook/wav2vec2-large-xlsr-53 をファインチューニングしたものです。 このモデルを使用する際には、音声入力が16kHzでサンプリングされていることを確認してください。

このモデルのファインチューニングには、OVHcloud から提供されたGPUクレジットを利用しています。

学習に使用したスクリプトはこちらにあります: https://github.com/jonatasgrosman/wav2vec2-sprint

🚀 クイックスタート

このモデルは、言語モデルを使用せずに直接利用することができます。

✨ 主な機能

• オランダ語の音声認識に特化したファインチューニング済みモデルです。
• 音声入力が16kHzでサンプリングされていることを前提としています。

📦 インストール

このモデルを使用するには、必要なライブラリをインストールする必要があります。以下のコマンドを使用して、必要なライブラリをインストールできます。

pip install transformers datasets librosa torch

また、HuggingSound ライブラリを使用する場合は、以下のコマンドでインストールしてください。

pip install huggingsound

💻 使用例

基本的な使用法

HuggingSound ライブラリを使用する場合の基本的な使用法は以下の通りです。

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-dutch")
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の高度な使用法は以下の通りです。

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

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

📚 ドキュメント

評価

このモデルの評価は、以下のコマンドを使用して行うことができます。

mozilla-foundation/common_voice_6_0 の test スプリットで評価する場合

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

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

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

📄 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。

引用

このモデルを引用する場合は、以下のBibTeXを使用してください。

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

情報テーブル