Wav2vec2 Large Xlsr Sorbian

🚀 Wav2Vec2-Large-XLSR-53-ソルビア語

このプロジェクトは、Common Voice データセットを基に、facebook/wav2vec2-large-xlsr-53 モデルをソルビア語で微調整したものです。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。

🚀 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）。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

• 言語サポート：ソルビア語の自動音声認識をサポートします。
• モデルの由来：facebook の wav2vec2-large-xlsr-53 モデルを微調整して作成されています。
• 評価指標：Common Voice ソルビア語テストセットにおける単語誤り率（WER）は 41.74% です。

📦 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。Hugging Face の関連モデルの使用説明を参考に環境を設定してください。

💻 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", "hsb", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("iarfmoose/wav2vec2-large-xlsr-sorbian")
model = Wav2Vec2ForCTC.from_pretrained("iarfmoose/wav2vec2-large-xlsr-sorbian")

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


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["speech"][:2], 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["sentence"][:2])

高度な使用法

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

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

processor = Wav2Vec2Processor.from_pretrained("iarfmoose/wav2vec2-large-xlsr-sorbian")
model = Wav2Vec2ForCTC.from_pretrained("iarfmoose/wav2vec2-large-xlsr-sorbian")
model.to("cuda")

chars_to_ignore_regex = '[\\\\\\\\\\\\\\\\,\\\\\\\\\\\\\\\\?\\\\\\\\\\\\\\\\.\\\\\\\\\\\\\\\\!\\\\\\\\\\\\\\\\-\\\\\\\\\\\\\\\\;\\\\\\\\\\\\\\\\:\\\\\\\\\\\\\\\\"\\\\\\\\\\\\\\\\“\\\\\\\\\\\\\\\\%\\\\\\\\\\\\\\\\‘\\\\\\\\\\\\\\\\”\\\\\\\\\\\\\\\\�\\\\\\\\\\\\\\\\–\\\\\\\\\\\\\\\\—\\\\\\\\\\\\\\\\¬\\\\\\\\\\\\\\\\⅛]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)

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)

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：41.74 %

📚 ドキュメント

学習情報

• 学習データ：Common Voice の train と validation データセットを使用して学習しました。
• 学習スクリプト：学習スクリプトは こちら から入手できます。
• 評価スクリプト：評価スクリプトのノートブックは こちら から入手できます。

🔧 技術詳細

このモデルは facebook の wav2vec2-large-xlsr-53 モデルを微調整し、ソルビア語の Common Voice データセットを使用して学習させたものです。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を 16kHz に調整して、モデルが正常に動作するようにしてください。

📄 ライセンス

このモデルは Apache-2.0 ライセンスで提供されています。

モデル情報テーブル