Wav2vec2 Large Xlsr Or

## 🚀 Wav2Vec2-Large-XLSR-53-or

*[facebook/wav2vec2-large-xlsr-53](https://huggingface.co/facebook/wav2vec2-large-xlsr-53) をオリヤ語で [Common Voice](https://huggingface.co/datasets/common_voice) を使用してファインチューニングしたモデルです。このモデルを使用する際は、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、オリヤ語の音声認識タスクに使用できます。使用する際には、入力音声が16kHzでサンプリングされていることを確認してください。

## ✨ 主な機能
- オリヤ語の自動音声認識に特化したモデルです。
- 事前学習済みの [facebook/wav2vec2-large-xlsr-53](https://huggingface.co/facebook/wav2vec2-large-xlsr-53) をファインチューニングしています。

## 📦 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。
```bash
pip install torch torchaudio datasets transformers

💻 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", "or", split="test[:2%]") 

processor = Wav2Vec2Processor.from_pretrained("danurahul/wav2vec2-large-xlsr-or") 
model = Wav2Vec2ForCTC.from_pretrained("danurahul/wav2vec2-large-xlsr-or") 

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["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", "or", split="test") 
wer = load_metric("wer")

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

chars_to_ignore_regex = '[\\,\\?\\.\\!\\-\\;\\:\\\"\\“]'  
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):
	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 aduio 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"])))

📚 ドキュメント

評価

このモデルは、Common Voiceのオリヤ語テストデータで以下のように評価できます。

テスト結果: 54.6 %

学習

Common Voiceの train、validation、test データセットを学習、予測、テストに使用しました。学習に使用したスクリプトは [https://github.com/rahul-art/wav2vec2_or] で見つけることができます。

📄 ライセンス

このモデルは apache-2.0 ライセンスの下で公開されています。

### 参考情報
| 属性 | 详情 |
|------|------|
| モデルタイプ | オリヤ語の自動音声認識モデル |
| 学習データ | Common Voice のオリヤ語データセット |
| 評価指標 | WER (Word Error Rate) |
| タグ | audio, automatic-speech-recognition, speech, xlsr-fine-tuning-week |