Nb Wav2vec2 300m Nynorsk

🚀 ノルウェー語のWav2Vec2モデル - 300M - VoxRex - ニーノルスク語

このモデルは、スウェーデン国立図書館の特徴抽出器 VoxRex-model をベースにファインチューニングされています。ファインチューニングされたモデルは、5-gram KenLMを使用したテストセットで以下の結果を達成しています。括弧内の数値は言語モデルを使用しない場合の結果です。

• WER: 0.1222 (0.1537)
• CER: 0.0419 (0.0468)

✨ 主な機能

モデルの説明

このモデルは、🤗 が主催する Robust Speech Event の期間中にチームが作成した複数のWav2Vecモデルの1つです。以下は、当チームが作成したモデルとその最終スコアの完全なリストです。

データセット

このイベントと並行して、チームは ノルウェー議会演説コーパス (NPSC) を 🤗 データセット形式の NbAiLab/NPSC に変換し、これをトレーニングの主要なデータソースとして使用しました。

🔧 技術詳細

チーム

このモデルの構築に貢献したのは、以下の人物です。Rolv - Arild Braaten、Per Egil Kummervold、Andre Kåsen、Javier de la Rosa、Per Erik Solberg、Freddy Wetjen。

トレーニング手順

これらの結果を再現するには、🤗 の指示 に従って、シンプルなスウェーデン語モデルをトレーニングすることを強くおすすめします。

これができることを確認したら、新しいリポジトリを作成します。そして、当リポジトリからファイル run.sh と run_speech_recognition_ctc.py をコピーして始めることができます。これらを実行すると、他の必要なファイルがすべて作成され、当チームの結果を再現できるはずです。ハイパーパラメータを調整することで、さらに良い自動音声認識 (ASR) モデルを構築することもできるかもしれません。頑張ってください！

言語モデル

スコアが示すように、単純な5-gram言語モデルを追加するだけで結果が改善されます。🤗 は、ASRモデルを改善するために5-gram言語モデルを追加する方法を説明した 非常に良いブログ を提供しています。これは、独自のコーパスから構築することができます。たとえば、ノルウェー巨大コーパス から適切なテキストを抽出することができます。また、ガイドの一部の手順をスキップして、このリポジトリの5-gramモデル をコピーすることもできます。

パラメータ

最終的なモデルは、以下のパラメータを使用して実行されました。

--dataset_name="NbAiLab/NPSC" 
--model_name_or_path="KBLab/wav2vec2-large-voxrex" 
--dataset_config_name="16K_mp3_nynorsk" 
--output_dir="./" 
--overwrite_output_dir 
--num_train_epochs="80" 
--per_device_train_batch_size="16" 
--per_device_eval_batch_size="16" 
--gradient_accumulation_steps="2" 
--learning_rate="1e-4" 
--warmup_steps="2000" 
--length_column_name="input_length" 
--evaluation_strategy="steps" 
--text_column_name="text" 
--save_steps="500" 
--eval_steps="500" 
--logging_steps="100" 
--layerdrop="0.041" 
--attention_dropout="0.094" 
--activation_dropout="0.055" 
--hidden_dropout="0.047" 
--save_total_limit="3" 
--freeze_feature_encoder 
--feat_proj_dropout="0.04" 
--mask_time_prob="0.082" 
--mask_time_length="10" 
--mask_feature_prob="0.25" 
--mask_feature_length="64" 
--gradient_checkpointing 
--min_duration_in_seconds="0.5" 
--max_duration_in_seconds="30.0" 
--use_auth_token 
--seed="42" 
--fp16 
--group_by_length 
--do_train --do_eval 
--push_to_hub 
--preprocessing_num_workers="32"

これらの設定を使用すると、平均的なGPUでトレーニングに3 - 4日かかる場合があります。ただし、これらのパラメータを調整することで、適度なモデルを得ることができ、結果も速く得られます。

引用

@inproceedings{de-la-rosa-etal-2023-boosting,
    title = "Boosting {N}orwegian Automatic Speech Recognition",
    author = "De La Rosa, Javier  and
      Braaten, Rolv-Arild  and
      Kummervold, Per  and
      Wetjen, Freddy",
    booktitle = "Proceedings of the 24th Nordic Conference on Computational Linguistics (NoDaLiDa)",
    month = may,
    year = "2023",
    address = "T{\'o}rshavn, Faroe Islands",
    publisher = "University of Tartu Library",
    url = "https://aclanthology.org/2023.nodalida-1.55",
    pages = "555--564",
    abstract = "In this paper, we present several baselines for automatic speech recognition (ASR) models for the two official written languages in Norway: Bokm{\aa}l and Nynorsk. We compare the performance of models of varying sizes and pre-training approaches on multiple Norwegian speech datasets. Additionally, we measure the performance of these models against previous state-of-the-art ASR models, as well as on out-of-domain datasets. We improve the state of the art on the Norwegian Parliamentary Speech Corpus (NPSC) from a word error rate (WER) of 17.10{\%} to 7.60{\%}, with models achieving 5.81{\%} for Bokm{\aa}l and 11.54{\%} for Nynorsk. We also discuss the challenges and potential solutions for further improving ASR models for Norwegian.",
}

詳細は https://arxiv.org/abs/2307.01672 を参照してください。

📄 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。