Sinai Voice Ar Stt

🚀 シナイボイスアラビア語音声認識モデル

このモデルは、MOZILLA-FOUNDATION/COMMON_VOICE_8_0 - ARデータセットでfacebook/wav2vec2-xls-r-300mを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。

• 損失: 0.2141
• 単語誤り率 (Wer): 0.1808

🚀 クイックスタート

評価コマンド

1. mozilla-foundation/common_voice_8_0のtestスプリットで評価するには、以下のコマンドを実行します。

python eval.py --model_id bakrianoo/sinai-voice-ar-stt --dataset mozilla-foundation/common_voice_8_0 --config ar --split test

💻 使用例

基本的な使用法

from transformers import (Wav2Vec2Processor, Wav2Vec2ForCTC)
import torchaudio
import torch

def speech_file_to_array_fn(voice_path, resampling_to=16000):
    speech_array, sampling_rate = torchaudio.load(voice_path)
    resampler = torchaudio.transforms.Resample(sampling_rate, resampling_to)
    
    return resampler(speech_array)[0].numpy(), sampling_rate

# load the model
cp = "bakrianoo/sinai-voice-ar-stt"
processor = Wav2Vec2Processor.from_pretrained(cp)
model = Wav2Vec2ForCTC.from_pretrained(cp)

# recognize the text in a sample sound file
sound_path = './my_voice.mp3'

sample, sr = speech_file_to_array_fn(sound_path)
inputs = processor([sample], sampling_rate=16_000, return_tensors="pt", padding=True)

with torch.no_grad():
    logits = model(inputs.input_values,).logits

predicted_ids = torch.argmax(logits, dim=-1)

print("Prediction:", processor.batch_decode(predicted_ids))

📚 詳細ドキュメント

学習ハイパーパラメータ

学習中に使用されたハイパーパラメータは以下の通りです。

• 学習率: 0.0002
• 学習バッチサイズ: 32
• 評価バッチサイズ: 10
• シード: 42
• 分散タイプ: マルチGPU
• デバイス数: 8
• 総学習バッチサイズ: 256
• 総評価バッチサイズ: 80
• オプティマイザ: Adam (betas=(0.9,0.999), epsilon=1e-08)
• 学習率スケジューラタイプ: 線形
• 学習率スケジューラウォームアップステップ: 1000
• エポック数: 10
• 混合精度学習: Native AMP

学習結果

フレームワークバージョン

• Transformers 4.16.2
• Pytorch 1.10.2+cu113
• Datasets 1.18.3
• 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。

🔍 モデル情報