Wav2vec2 Large Xls R 300m Urdu

🚀 XLS - R - 300M - ウルドゥー語モデル

このモデルは自動音声認識用のモデルで、事前学習モデルを微調整して作成されました。ウルドゥー語の音声認識タスクで特定の評価結果を得ており、関連する音声認識シーンに適用できます。

🚀 クイックスタート

このモデルは facebook/wav2vec2 - xls - r - 300m を MOZILLA - FOUNDATION/COMMON_VOICE_7_0 - - UR データセットで微調整したバージョンです。評価セットでは以下の結果を得ています。

• 損失：未提供
• 字錯率（Wer）：未提供

評価コマンド

1. mozilla - foundation/common_voice_7_0 データセットの test 分割で評価を行う：

python eval.py \
    --model_id infinitejoy/wav2vec2-large-xls-r-300m-urdu --dataset speech-recognition-community-v2/dev_data \
    --config ur --split validation --chunk_length_s 10 --stride_length_s 1

推論例

import torch
from datasets import load_dataset
from transformers import AutoModelForCTC, AutoProcessor
import torchaudio.functional as F


model_id = "infinitejoy/wav2vec2-large-xls-r-300m-urdu"

sample_iter = iter(load_dataset("mozilla-foundation/common_voice_7_0", "ur", split="test", streaming=True, use_auth_token=True))

sample = next(sample_iter)
resampled_audio = F.resample(torch.tensor(sample["audio"]["array"]), 48_000, 16_000).numpy()

model = AutoModelForCTC.from_pretrained(model_id)
processor = AutoProcessor.from_pretrained(model_id)

input_values = processor(resampled_audio, return_tensors="pt").input_values

with torch.no_grad():
    logits = model(input_values).logits

transcription = processor.batch_decode(logits.numpy()).text

コモンボイス 7 “テスト” セットでの評価結果（字錯率）

ドキュメントで具体的な評価結果の数値は明記されていません。

✨ 主な機能

• 微調整モデル：facebook/wav2vec2 - xls - r - 300m モデルをウルドゥー語データセットで微調整しています。
• 多フレームワーク対応：Transformers、Pytorch、Datasets、Tokenizers などのフレームワークと互換性があります。

🔧 技術詳細

学習ハイパーパラメータ

学習中に以下のハイパーパラメータが使用されました。

• 学習率：7.5e - 05
• 学習バッチサイズ：8
• 評価バッチサイズ：8
• 乱数シード：42
• 勾配累積ステップ数：4
• 総学習バッチサイズ：32
• オプティマイザ：Adam（β1 = 0.9，β2 = 0.999，ε = 1e - 08）
• 学習率スケジューラタイプ：線形
• 学習率スケジューラのウォームアップステップ数：2000
• 学習エポック数：50.0
• 混合精度学習：Native AMP

フレームワークバージョン

• Transformers 4.16.0.dev0
• Pytorch 1.10.0 + cu102
• Datasets 1.17.1.dev0
• Tokenizers 0.10.3

📄 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。

📋 モデル情報テーブル