Wav2vec2 Large Xlsr Catala

🚀 カタルーニャ語用Wav2Vec2-Large-XLSR

このモデルは、Common Voice と ParlamentParla のデータセットを用いて、カタルーニャ語に対して facebook/wav2vec2-large-xlsr-53 をファインチューニングしたものです。音声認識タスクに特化し、高精度な音声認識を実現します。

🚀 クイックスタート

このモデルは、カタルーニャ語の音声認識に特化しており、カタルーニャ語の音声データを高精度に認識することができます。ただし、使用する際にはいくつかの注意点があります。

⚠️ 重要提示

使用したトレイン/開発/テストの分割は、CommonVoice 6.1データセットと完全に一致していません。CommonVoiceとParlamentParlaの両方のデータセットを組み合わせたカスタム分割が使用されており、こちら で確認できます。CVテストデータセットで評価すると、そのデータセットの1144個の音声ファイルがこのモデルのトレーニング/評価に使用されているため、バイアスのあるWERが得られます。WERは、この test.csv を使用して計算されており、これはトレーニング/評価中にモデルが見ていないデータです。

💡 使用建议

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。

✨ 主な機能

• カタルーニャ語の音声を高精度に認識します。
• データセットとして、Common VoiceとParlamentParlaを用いてファインチューニングされています。

📦 インストール

このモデルはHugging FaceのTransformersライブラリを通じて利用できます。必要なライブラリをインストールすることで、簡単に使用できます。

💻 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", "ca", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("ccoreilly/wav2vec2-large-xlsr-catala") 
model = Wav2Vec2ForCTC.from_pretrained("ccoreilly/wav2vec2-large-xlsr-catala")

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

# 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["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])

📚 ドキュメント

結果

モデルが学習に使用していない以下のデータセットで、単語誤り率 (WER) が評価されています。

📄 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。