Vakyansh Wav2vec2 Tamil Tam 250

🚀 Wav2Vec2 Vakyanshタミル語モデル by Harveen Chadha

このモデルは、自動音声認識タスクに特化したモデルで、タミル語の音声を高精度に認識することができます。マルチリンガル事前学習モデルをベースに微調整されており、特定のデータセットでの訓練を通じて高い性能を発揮します。

モデルの結果

🚀 クイックスタート

このセクションでは、このモデルの基本的な使い方や注意点を説明します。

事前学習モデル

マルチリンガル事前学習モデル CLSRIL-23 を微調整しています。元のfairseqチェックポイントは こちら にあります。このモデルを使用する際は、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。

⚠️ 重要な注意

このモデルの結果は言語モデルを使用していないため、場合によってはWERが高くなることがあります。

📦 インストール

このモデルを使用するために必要な依存関係をインストールする必要があります。以下のコマンドを使用して、必要なライブラリをインストールしてください。

pip install soundfile torch transformers argparse

💻 使用例

基本的な使用法

このモデルは、言語モデルなしで直接使用することができます。以下のコードは、音声ファイルから文字起こしを行う基本的な例です。

import soundfile as sf
import torch
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import argparse

def parse_transcription(wav_file):
    # load pretrained model
    processor = Wav2Vec2Processor.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")
    model = Wav2Vec2ForCTC.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")

    # load audio
    audio_input, sample_rate = sf.read(wav_file)

    # pad input values and return pt tensor
    input_values = processor(audio_input, sampling_rate=sample_rate, return_tensors="pt").input_values

    # INFERENCE
    # retrieve logits & take argmax
    logits = model(input_values).logits
    predicted_ids = torch.argmax(logits, dim=-1)

    # transcribe
    transcription = processor.decode(predicted_ids[0], skip_special_tokens=True)
    print(transcription)

📚 ドキュメント

データセット

このモデルは、4200時間のヒンディー語のラベル付きデータで訓練されています。現在のところ、このラベル付きデータは公開されていません。

訓練スクリプト

モデルは、EkstepのVakyanshチームによってセットアップされた実験プラットフォームを使用して訓練されました。訓練リポジトリ を参照してください。

もしwandb上で訓練ログを探索したい場合は、こちら を参照してください。

コラボデモ

コラボデモ を通じて、このモデルの使用方法を試すことができます。

評価

このモデルは、Common Voiceのヒンディー語テストデータで以下のように評価することができます。

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

test_dataset = load_dataset("common_voice", "ta", split="test")
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")
model = Wav2Vec2ForCTC.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")
model.to("cuda")

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

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“]'

# Preprocessing the datasets.
# We need to read the aduio files as arrays
def speech_file_to_array_fn(batch):
  batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
  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)

# Preprocessing the datasets.
# We need to read the aduio files as arrays
def evaluate(batch):
  inputs = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)

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

      pred_ids = torch.argmax(logits, dim=-1)
      batch["pred_strings"] = processor.batch_decode(pred_ids, skip_special_tokens=True)
      return batch

result = test_dataset.map(evaluate, batched=True, batch_size=8)

print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["sentence"])))

テスト結果: 53.64 %

コラボ評価

📄 ライセンス

このモデルはMITライセンスの下で公開されています。

謝辞

このモデルの実現にあたり、Ekstep Foundationに感謝申し上げます。Vakyanshチームは、すべてのインド諸語の音声モデルをオープンソース化する予定です。