Wav2vec2 Large 100k Voxpopuli Catala

🚀 Wav2Vec2-Large-100k-VoxPopuli-Català

このモデルは、Common Voice と ParlamentParla データセットを使用して、カタルーニャ語で facebook/wav2vec2-large-100k-voxpopuli をファインチューニングしたものです。

🚀 クイックスタート

⚠️ 重要提示

このモデルは以下のURLに移動しました: https://huggingface.co/softcatala/wav2vec2-large-100k-voxpopuli-catala

このモデルは、Common Voice と ParlamentParla データセットを用いて、カタルーニャ語で facebook/wav2vec2-large-100k-voxpopuli をファインチューニングしています。

⚠️ 重要提示

使用されたトレイン/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、このモデルがトレーニング/評価中に見ていない test.csv を使用して計算されました。

トレーニングと評価のスクリプトは、GitHubリポジトリ ccoreilly/wav2vec2-catala で見つけることができます。

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

モデル情報

モデルの結果

単語誤り率は、モデルが見ていない以下のデータセットで評価されました:

💻 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-100k-voxpopuli-catala") 
model = Wav2Vec2ForCTC.from_pretrained("ccoreilly/wav2vec2-large-100k-voxpopuli-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])

📄 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。