Wav2vec2 Large Xls R 300m Ha Cv8

🚀 XLS-R-300M - Hausa

このモデルは、facebook/wav2vec2-xls-r-300m を common_voice 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。

• 損失: 0.6094
• 単語誤り率 (Wer): 0.5234

🚀 クイックスタート

このモデルは、自動音声認識タスクに使用できます。以下のセクションでは、トレーニングパラメータ、評価コマンド、推論の例などの詳細を提供します。

📦 インストール

このREADMEには具体的なインストール手順が記載されていないため、このセクションは省略されます。

💻 使用例

基本的な使用法

import torch
from datasets import load_dataset
from transformers import AutoModelForCTC, AutoProcessor
import torchaudio.functional as F
model_id = "anuragshas/wav2vec2-large-xls-r-300m-ha-cv8"
sample_iter = iter(load_dataset("mozilla-foundation/common_voice_8_0", "ha", split="test", streaming=True, use_auth_token=True))
sample = next(sample_iter)
resampled_audio = F.resample(torch.tensor(sample["audio"]["array"]), 48_000, 16_000).numpy()
model = AutoModelForCTC.from_pretrained(model_id)
processor = AutoProcessor.from_pretrained(model_id)
input_values = processor(resampled_audio, return_tensors="pt").input_values
with torch.no_grad():
    logits = model(input_values).logits
transcription = processor.batch_decode(logits.numpy()).text
# => "kakin hade ya ke da kyautar"

高度な使用法

このセクションには高度な使用法の具体的な説明がないため、省略します。

📚 ドキュメント

モデルの説明

詳細情報は必要です。

想定される用途と制限

詳細情報は必要です。

トレーニングと評価データ

詳細情報は必要です。

トレーニング手順

トレーニングハイパーパラメータ

トレーニング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: 0.0001
• トレーニングバッチサイズ: 16
• 評価バッチサイズ: 8
• シード: 13
• 勾配累積ステップ: 2
• 総トレーニングバッチサイズ: 32
• 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の種類: cosine_with_restarts
• 学習率スケジューラのウォームアップステップ: 1000
• エポック数: 100

トレーニング結果

フレームワークのバージョン

• Transformers 4.16.1
• Pytorch 1.10.0+cu111
• Datasets 1.18.2
• Tokenizers 0.11.0

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

python eval.py --model_id anuragshas/wav2vec2-large-xls-r-300m-ha-cv8 --dataset mozilla-foundation/common_voice_8_0 --config ha --split test

評価結果 (Common Voice 8 "test" の単語誤り率 (WER))

🔧 技術詳細

このセクションには具体的な技術詳細がないため、省略します。

📄 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。