Wav2vec2 Large Xlsr 53 Sw

🚀 スワヒリ語Wav2Vec2-Large-XLSR-53モデル

本プロジェクトは、スワヒリ語データセットで facebook/wav2vec2-large-xlsr-53 モデルを微調整した音声認識モデルです。スワヒリ語の音声データを効果的に処理し、スワヒリ語の自動音声認識の解決策を提供します。

🚀 クイックスタート

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

• 複数データセットでの訓練：ALFFA、Gamayun、IWSLT など、複数のスワヒリ語データセットを用いて訓練されており、モデルの汎化能力が保証されています。
• 高精度な認識：テストセットで40%の文字誤り率（WER）を達成しており、高い認識精度を持っています。

💻 使用例

基本的な使用法

import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

processor = Wav2Vec2Processor.from_pretrained("alokmatta/wav2vec2-large-xlsr-53-sw")

model = Wav2Vec2ForCTC.from_pretrained("alokmatta/wav2vec2-large-xlsr-53-sw").to("cuda")

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

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

def load_file_to_data(file):
    batch = {}
    speech, _ = torchaudio.load(file)
    batch["speech"] = resampler.forward(speech.squeeze(0)).numpy()
    batch["sampling_rate"] = resampler.new_freq
    return batch

def predict(data):
    features = processor(data["speech"], sampling_rate=data["sampling_rate"], padding=True, return_tensors="pt")
    input_values = features.input_values.to("cuda")
    attention_mask = features.attention_mask.to("cuda")
    with torch.no_grad():
        logits = model(input_values, attention_mask=attention_mask).logits
    pred_ids = torch.argmax(logits, dim=-1)
    return processor.batch_decode(pred_ids)

predict(load_file_to_data('./demo.wav'))

📚 ドキュメント

モデル評価結果

📄 ライセンス

このモデルはApache - 2.0ライセンスを使用しています。