Wav2vec2 Large Voxpopuli Sv Swedish

## 🚀 Wav2vec 2.0 large-voxpopuli-sv-swedish

*このモデルは、Facebookの[VoxPopuli-sv large](https://huggingface.co/facebook/wav2vec2-large-sv-voxpopuli)モデルを、スウェーデン語のラジオ放送、NST、Common Voiceのデータを用いて追加で事前学習と微調整を行ったものです。自動音声認識タスクに特化しています。*

## 🚀 クイックスタート
> ⚠️ **重要提示**
> 
> [この](https://huggingface.co/KBLab/wav2vec2-large-voxrex-swedish)モデルの方が性能が良く、ライセンスの制約も少ないです。

このモデルを使用する際には、音声入力が16kHzでサンプリングされていることを確認してください。

## ✨ 主な機能
このモデルは、Facebookの[VoxPopuli-sv large](https://huggingface.co/facebook/wav2vec2-large-sv-voxpopuli)モデルをベースに、スウェーデン語のラジオ放送、NST、Common Voiceのデータを用いて追加で事前学習と微調整を行っています。言語モデルを使用せずに評価すると、NST + Common Voiceのテストセット（全文の2%）のWERは**3.95%**、Common VoiceのテストセットのWERは直接**10.99%**、4-gram言語モデルを使用すると**7.82%**となります。

## 📦 インストール
このセクションでは、インストールに関する具体的なコマンドが原READMEに記載されていないため、省略します。

## 💻 使用例

### 基本的な使用法
```python
import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
test_dataset = load_dataset("common_voice", "sv-SE", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("KBLab/wav2vec2-large-voxpopuli-sv-swedish")
model = Wav2Vec2ForCTC.from_pretrained("KBLab/wav2vec2-large-voxpopuli-sv-swedish")
resampler = torchaudio.transforms.Resample(48_000, 16_000)
# Preprocessing the datasets.
# We need to read the aduio files as arrays
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("Prediction:", processor.batch_decode(predicted_ids))
print("Reference:", test_dataset["sentence"][:2])

🔧 技術詳細

このモデルは、1000時間のスウェーデン語の地元ラジオ放送で追加で事前学習し、NST + CommonVoiceで120000回の更新を行って微調整し、その後CommonVoiceのみでさらに20000回の更新を行っています。CommonVoiceでの追加の微調整は、NST+CommonVoiceのテストセットでの性能を多少低下させますが、当然ながらCommonVoiceのテストセットでの性能を向上させます。全体的に性能が良いように見えますが、引用が必要です。

📄 ライセンス

このモデルは、CC BY-NC 4.0ライセンスの下で提供されています。

以上の出力は、指定された日本語でのREADME文書の美化版です。各セクションは原READMEの内容を元に、指定されたテンプレートに沿って構成されています。コードブロックやURLリンク、API名などはそのまま保持されています。