Wav2vec2 Large Xlsr Mr 3

🚀 Wav2Vec2-Large-XLSR-53-Marathi

このプロジェクトは、OpenSLR SLR64 データセットと InterSpeech 2021 のマラーティ語データセットを基に、facebook/wav2vec2-large-xlsr-53 を微調整したものです。なお、OpenSLR データセットには女性の音声のみが含まれています。このモデルをあなたのタスクに使用する前に、この点を念頭に置いてください。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することができます（言語モデルは不要）。マラーティ語の text と audio_path フィールドを含むデータセットがあると仮定して、以下の手順で操作できます。

💻 使用例

基本的な使用法

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

# test_data = #TODO: WRITE YOUR CODE TO LOAD THE TEST DATASET. For sample see the Colab link in Training Section.

processor = Wav2Vec2Processor.from_pretrained("gchhablani/wav2vec2-large-xlsr-mr-3")
model = Wav2Vec2ForCTC.from_pretrained("gchhablani/wav2vec2-large-xlsr-mr-3")

# Preprocessing the datasets.
# We need to read the audio files as arrays
def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = torchaudio.load(batch["audio_path"])
    batch["speech"] = librosa.resample(speech_array[0].numpy(), sampling_rate, 16_000) # sampling_rate can vary
    return batch

test_data= test_data.map(speech_file_to_array_fn)
inputs = processor(test_data["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_data["text"][:2])

📚 ドキュメント

評価

このモデルは、OpenSLR のマラーティ語データの 10% を使って、以下のように評価することができます。

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

# test_data = #TODO: WRITE YOUR CODE TO LOAD THE TEST DATASET. For sample see the Colab link in Training Section.

wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("gchhablani/wav2vec2-large-xlsr-mr-3")
model = Wav2Vec2ForCTC.from_pretrained("gchhablani/wav2vec2-large-xlsr-mr-3")
model.to("cuda")

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


# Preprocessing the datasets.
# We need to read the audio files as arrays
def speech_file_to_array_fn(batch):
    batch["text"] = re.sub(chars_to_ignore_regex, '', batch["text"]).lower()
    speech_array, sampling_rate = torchaudio.load(batch["audio_path"])
    batch["speech"] = librosa.resample(speech_array[0].numpy(), sampling_rate, 16_000)
    return batch

test_data= test_data.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_data.map(evaluate, batched=True, batch_size=8)
print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["text"])))

テスト結果：19.05 %（157 + 157 個のサンプル）

OpenSLR テストセットのテスト結果：14.15 %（157 個のサンプル）

InterSpeech テストセットのテスト結果：27.14 %（157 個のサンプル）

トレーニング

トレーニングには、OpenSLR のマラーティ語データセットの 1412 個のサンプルと、InterSpeech 2021 のマラーティ語 ASR データセットの 1412 個のサンプルを使用しました。テスト時には、各データセットから 157 個のサンプルを使用しました。

トレーニングと評価に使用した Colab ノートブックは、こちら で確認できます。

📄 ライセンス

このプロジェクトは Apache-2.0 ライセンスの下で提供されています。

📦 モデル情報

⚠️ 重要な注意事項

OpenSLR データセットには女性の音声のみが含まれています。このモデルをあなたのタスクに使用する前に、この点を念頭に置いてください。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。