Wav2vec2 Base Voxpopuli Sv Swedish

🚀 Wav2vec 2.0 base-voxpopuli-sv-swedish

このモデルは、FacebookのVoxPopuli-sv baseモデルをNSTとCommon Voiceのデータを使用してファインチューニングしたバージョンです。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5.62%、Common VoiceのテストセットのWERは**19.15%**となります。

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。

🚀 クイックスタート

このモデルに関する概要や使用上の注意点を説明します。

データセット

モデル評価結果

• モデル名: Wav2vec 2.0 base VoxPopuli-sv swedish
  • タスク: 音声認識 (automatic-speech-recognition)
    • データセット: NST Swedish ASR Database
      • 評価指標: Test WER (wer)
      • 値: 5.619804368919309
    • データセット: Common Voice (sv-SE)
      • 評価指標: Test WER (wer)
      • 値: 19.145252414798616

✨ 主な機能

このモデルは、自動音声認識（Automatic Speech Recognition, ASR）タスクに特化しており、FacebookのVoxPopuli-sv baseモデルをNSTとCommon Voiceのデータでファインチューニングしたものです。

📦 インストール

原READMEに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します。

💻 使用例

基本的な使用法

import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
test_dataset = load_dataset("common_voice", "sv-SE", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("KBLab/wav2vec2-base-voxpopuli-sv-swedish")
model = Wav2Vec2ForCTC.from_pretrained("KBLab/wav2vec2-base-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])

📚 ドキュメント

原READMEに詳細説明が記載されていないため、このセクションは省略します。

🔧 技術詳細

原READMEに技術詳細が記載されていないため、このセクションは省略します。

📄 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。