Wav2vec2 Xlsr Korean Senior

🚀 wav2vec2-xlsr-korean-senior

このモデルは、fleek/wav2vec-large-xlsr-korean を AIhub 자유대화 음성(노인남녀) でさらにファインチューニングしたものです。

• 総トレーニングデータサイズ: 808,642
• 総検証データサイズ: 159,970

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。

トレーニングに使用されたスクリプトはこちらにあります: https://github.com/hyyoka/wav2vec2-korean-senior

🚀 クイックスタート

このモデルは韓国語の自動音声認識タスクに特化しており、特定のデータセットでファインチューニングされています。音声入力を適切に処理するために、サンプリングレートが16kHzであることを確認する必要があります。

✨ 主な機能

• 韓国語の自動音声認識に特化したモデルです。
• 特定のデータセットを用いてファインチューニングされており、精度が向上しています。

📦 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インストールできます。

pip install transformers torchaudio

💻 使用例

基本的な使用法

import torchaudio
from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
import re

def clean_up(transcription):
    hangul = re.compile('[^ ㄱ-ㅣ가-힣]+')
    result = hangul.sub('', transcription)
    return result

model_name = "hyyoka/wav2vec2-xlsr-korean-senior"
processor = Wav2Vec2Processor.from_pretrained(model_name)
model = Wav2Vec2ForCTC.from_pretrained(model_name)
speech_array, sampling_rate = torchaudio.load(wav_file)
feat = processor(speech_array[0], 
                            sampling_rate=16000, 
                            padding=True,
                            max_length=800000, 
                            truncation=True,
                            return_attention_mask=True,
                            return_tensors="pt",
                            pad_token_id=49
                            )
input = {'input_values': feat['input_values'],'attention_mask':feat['attention_mask']}

outputs = model(**input, output_attentions=True)
logits = outputs.logits
predicted_ids = logits.argmax(axis=-1)
transcription = processor.decode(predicted_ids[0])
stt_result = clean_up(transcription)

📚 ドキュメント

データセット情報

注意事項

⚠️ 重要な注意事項

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。

📄 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。