Wav2vec2 Large Xlsr 53 Mongolian

🚀 モンゴル語Wav2Vec2-Large-XLSR-53モデル

このモデルは、Common Voiceデータセットを基に、facebook/wav2vec2-large-xlsr-53をモンゴル語で微調整したものです。このモデルを使用する際には、入力する音声のサンプリングレートが16kHzであることを確認してください。

✨ 主な機能

• データセット：Common Voiceデータセットを使用して訓練と評価を行います。
• 評価指標：字錯率（WER）を使用して評価を行います。
• 適用シーン：モンゴル語の自動音声認識タスクに適用できます。

📦 インストール

ドキュメントに具体的なインストール手順は記載されていませんが、Hugging Face関連のライブラリ、例えばtransformers、torch、torchaudio、datasetsなどのライブラリのインストール方法を参考にできます。

pip install transformers torch torchaudio datasets

💻 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", "mn", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("anton-l/wav2vec2-large-xlsr-53-mongolian")
model = Wav2Vec2ForCTC.from_pretrained("anton-l/wav2vec2-large-xlsr-53-mongolian")

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

# データセットの前処理
# 音声ファイルを配列として読み込む必要があります
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("予測結果:", processor.batch_decode(predicted_ids))
print("参照結果:", test_dataset["sentence"][:2])

📚 ドキュメント

モデルの評価

以下のコードを使用して、Common Voiceのモンゴル語テストデータでモデルを評価することができます。

import torch
import torchaudio
import urllib.request
import tarfile
import pandas as pd
from tqdm.auto import tqdm
from datasets import load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

# 元データをダウンロードします。HFデータセットを使用せずにディスク容量を節約します
data_url = "https://voice-prod-bundler-ee1969a6ce8178826482b88e843c335139bd3fb4.s3.amazonaws.com/cv-corpus-6.1-2020-12-11/mn.tar.gz"
filestream = urllib.request.urlopen(data_url)
data_file = tarfile.open(fileobj=filestream, mode="r|gz")
data_file.extractall()

wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("anton-l/wav2vec2-large-xlsr-53-mongolian")
model = Wav2Vec2ForCTC.from_pretrained("anton-l/wav2vec2-large-xlsr-53-mongolian")
model.to("cuda")

cv_test = pd.read_csv("cv-corpus-6.1-2020-12-11/mn/test.tsv", sep='\t')
clips_path = "cv-corpus-6.1-2020-12-11/mn/clips/"

def clean_sentence(sent):
    sent = sent.lower()
    # 非アルファベット文字を空白に置き換えます
    sent = "".join(ch if ch.isalpha() else " " for ch in sent)
    # 重複する空白を削除します
    sent = " ".join(sent.split())
    return sent

targets = []
preds = []

for i, row in tqdm(cv_test.iterrows(), total=cv_test.shape[0]):
    row["sentence"] = clean_sentence(row["sentence"])
    speech_array, sampling_rate = torchaudio.load(clips_path + row["path"])
    resampler = torchaudio.transforms.Resample(sampling_rate, 16_000)
    row["speech"] = resampler(speech_array).squeeze().numpy()

    inputs = processor(row["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)

    with torch.no_grad():
        logits = model(inputs.input_values.to("cuda"), attention_mask=inputs.attention_mask.to("cuda")).logits

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

    targets.append(row["sentence"])
    preds.append(processor.batch_decode(pred_ids)[0])

print("字錯率 (WER): {:2f}%".format(100 * wer.compute(predictions=preds, references=targets)))

テスト結果：38.53 %

訓練情報

訓練にはCommon Voiceのtrainとvalidationデータセットを使用しました。

📄 ライセンス

このプロジェクトはApache 2.0ライセンスを採用しています。

📋 モデル情報