🚀 wav2vec2-xls-r-300m-cs-cv8
このモデルは、facebook/wav2vec2-xls-r-300m を common_voice 8.0 データセットでファインチューニングしたバージョンです。評価セットでは以下の結果を達成しています。
- WER: 0.49575384615384616
- CER: 0.13333333333333333
🚀 クイックスタート
💻 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("mozilla-foundation/common_voice_8_0", "sk", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("comodoro/wav2vec2-xls-r-300m-sk-cv8")
model = Wav2Vec2ForCTC.from_pretrained("comodoro/wav2vec2-xls-r-300m-sk-cv8")
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[: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
モデルは添付の eval.py
スクリプトを使用して評価できます。
python eval.py --model_id comodoro/wav2vec2-xls-r-300m-sk-cv8 --dataset mozilla-foundation/common_voice_8_0 --split test --config sk
🔧 技術詳細
学習と評価データ
学習には Common Voice 8.0 の train
と validation
データセットが使用されました。
学習ハイパーパラメータ
学習中に以下のハイパーパラメータが使用されました。
- learning_rate: 7e-4
- train_batch_size: 32
- eval_batch_size: 8
- seed: 42
- gradient_accumulation_steps: 20
- total_train_batch_size: 640
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
- lr_scheduler_type: linear
- lr_scheduler_warmup_steps: 500
- num_epochs: 50
- mixed_precision_training: Native AMP
フレームワークバージョン
- Transformers 4.16.0.dev0
- Pytorch 1.10.1+cu102
- Datasets 1.17.1.dev0
- Tokenizers 0.11.0
📄 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。
📚 ドキュメント
モデル情報
属性 |
詳情 |
モデルタイプ |
Slovak comodoro Wav2Vec2 XLSR 300M CV8 |
学習データ |
Common Voice 8.0 の train と validation データセット |
評価結果
タスク |
データセット |
評価指標 |
値 |
自動音声認識 |
Common Voice 8 |
Test WER |
49.6 |
自動音声認識 |
Common Voice 8 |
Test CER |
13.3 |
自動音声認識 |
Robust Speech Event - Dev Data |
Test WER |
81.7 |
自動音声認識 |
Robust Speech Event - Test Data |
Test WER |
80.26 |