Wav2vec2 Indonesian Javanese Sundanese

🚀 インドネシア言語の多言語音声認識

このモデルは、インドネシア言語の多言語音声認識 プロジェクト用に構築されたものです。 facebook/wav2vec2-large-xlsr-53 モデルを、インドネシアのCommon Voiceデータセット、 ジャワ語の高品質TTSデータ - SLR41、および スンダ語の高品質TTSデータ - SLR44 データセットでファインチューニングしたものです。

また、このモデルをテストするための ライブデモ も提供しています。

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。

🚀 クイックスタート

このモデルは、インドネシア言語の多言語音声認識を行うために構築されています。以下のセクションでは、モデルの使用方法、評価方法、トレーニング方法について説明します。

✨ 主な機能

• インドネシア語、ジャワ語、スンダ語の音声認識が可能です。
• 事前学習済みのモデルをファインチューニングしているため、高精度な音声認識が期待できます。
• ライブデモを提供しており、簡単にモデルの性能を確認できます。

💻 使用例

基本的な使用法

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

test_dataset = load_dataset("common_voice", "id", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("indonesian-nlp/wav2vec2-indonesian-javanese-sundanese")
model = Wav2Vec2ForCTC.from_pretrained("indonesian-nlp/wav2vec2-indonesian-javanese-sundanese")

resampler = torchaudio.transforms.Resample(48_000, 16_000)

# Preprocessing the datasets.
# We need to read the aduio files as arrays
def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler(speech_array).squeeze().numpy()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset[:2]["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)

print("Prediction:", processor.batch_decode(predicted_ids))
print("Reference:", test_dataset[:2]["sentence"])

🔧 評価

このモデルは、Common Voiceのインドネシア語テストデータで以下のように評価できます。

import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re

test_dataset = load_dataset("common_voice", "id", split="test")
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("indonesian-nlp/wav2vec2-indonesian-javanese-sundanese")
model = Wav2Vec2ForCTC.from_pretrained("indonesian-nlp/wav2vec2-indonesian-javanese-sundanese") 
model.to("cuda")

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“\%\‘\'\”\�]'

resampler = torchaudio.transforms.Resample(48_000, 16_000)

# Preprocessing the datasets.
# We need to read the audio files as arrays
def speech_file_to_array_fn(batch):
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler(speech_array).squeeze().numpy()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)

# Preprocessing the datasets.
# We need to read the audio files as arrays
def evaluate(batch):
    inputs = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)

    with torch.no_grad():
        logits = model(inputs.input_values.to("cuda"), attention_mask=inputs.attention_mask.to("cuda")).logits

    pred_ids = torch.argmax(logits, dim=-1)
    batch["pred_strings"] = processor.batch_decode(pred_ids)
    return batch

result = test_dataset.map(evaluate, batched=True, batch_size=8)

print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["sentence"])))

テスト結果: 11.57 %

🔧 トレーニング

Common Voice の train、validation などのデータセットをトレーニングに使用しました。

トレーニングに使用したスクリプトは こちら で確認できます (近日公開予定)。

📄 ライセンス

このプロジェクトは、Apache-2.0ライセンスの下で公開されています。

📚 詳細情報

言語

• id
• jv
• sun

データセット

• mozilla-foundation/common_voice_7_0
• openslr
• magic_data
• titml

評価指標

• wer

タグ

• audio
• automatic-speech-recognition
• hf-asr-leaderboard
• id
• jv
• robust-speech-event
• speech
• su

モデル情報