Xlsr300m Cv 8.0 Nl

🚀 xlsr300m_cv_8.0_nl

このモデルはオランダ語の自動音声認識に特化したモデルで、Mozilla FoundationのCommon Voiceデータセットを用いて訓練されています。

🚀 クイックスタート

このモデルはオランダ語の自動音声認識に使用できます。以下に評価コマンドと推論の例を示します。

📦 インストール

このREADMEには明示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

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場合

python eval.py --model_id Iskaj/xlsr300m_cv_8.0_nl --dataset mozilla-foundation/common_voice_8_0 --config nl --split test

2. speech-recognition-community-v2/dev_data で評価する場合

python eval.py --model_id Iskaj/xlsr300m_cv_8.0_nl --dataset speech-recognition-community-v2/dev_data --config nl --split validation --chunk_length_s 5.0 --stride_length_s 1.0

高度な使用法

推論

import torch
from datasets import load_dataset
from transformers import AutoModelForCTC, AutoProcessor
import torchaudio.functional as F

model_id = "Iskaj/xlsr300m_cv_8.0_nl"

sample_iter = iter(load_dataset("mozilla-foundation/common_voice_8_0", "nl", 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)

inputs = processor(resampled_audio, sampling_rate=16_000, return_tensors="pt")
with torch.no_grad():
  logits = model(**inputs).logits
  predicted_ids = torch.argmax(logits, dim=-1)
  transcription = processor.batch_decode(predicted_ids)

transcription[0].lower()
#'het kontine schip lag aangemeert in de aven'

📚 ドキュメント

モデル情報

評価結果

📄 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。