Wav2vec2 Large 100k Voxpopuli Ft Common Voice Plus TTS Dataset Russian

🚀 Wav2vec2 Large 100k Voxpopuli を Common Voice と M-AILABS でロシア語にファインチューニングしたモデル

このモデルは、Wav2vec2 Large 100k Voxpopuli を Common Voice 7.0 と M-AILABS を使用してロシア語にファインチューニングしたものです。このモデルは、自動音声認識タスクに特化しており、ロシア語の音声データを高精度に認識することができます。

🚀 クイックスタート

モデルの使用方法

以下のコードを使用して、このモデルを簡単に使い始めることができます。

from transformers import AutoTokenizer, Wav2Vec2ForCTC
  
tokenizer = AutoTokenizer.from_pretrained("Edresson/wav2vec2-large-100k-voxpopuli-ft-Common-Voice_plus_TTS-Dataset-russian")

model = Wav2Vec2ForCTC.from_pretrained("Edresson/wav2vec2-large-100k-voxpopuli-ft-Common-Voice_plus_TTS-Dataset-russian")

コモンボイスデータセットでのテスト例

以下は、Common Voice データセットを使用したテスト例です。

dataset = load_dataset("common_voice", "pt", split="test", data_dir="./cv-corpus-6.1-2020-12-11")

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

def map_to_array(batch):
    speech, _ = torchaudio.load(batch["path"])
    batch["speech"] = resampler.forward(speech.squeeze(0)).numpy()
    batch["sampling_rate"] = resampler.new_freq
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower().replace("’", "'")
    return batch

ds = dataset.map(map_to_array)
result = ds.map(map_to_pred, batched=True, batch_size=1, remove_columns=list(ds.features.keys()))
print(wer.compute(predictions=result["predicted"], references=result["target"]))

✨ 主な機能

• 高精度な音声認識：Common Voice 7.0 と M-AILABS のデータセットを使用してファインチューニングされたため、ロシア語の音声を高精度に認識することができます。
• 簡単な使用方法：transformers ライブラリを使用することで、簡単にモデルをロードして使用することができます。

📦 インストール

このモデルを使用するには、transformers ライブラリが必要です。以下のコマンドでインストールできます。

pip install transformers

💻 使用例

基本的な使用法

from transformers import AutoTokenizer, Wav2Vec2ForCTC
  
tokenizer = AutoTokenizer.from_pretrained("Edresson/wav2vec2-large-100k-voxpopuli-ft-Common-Voice_plus_TTS-Dataset-russian")

model = Wav2Vec2ForCTC.from_pretrained("Edresson/wav2vec2-large-100k-voxpopuli-ft-Common-Voice_plus_TTS-Dataset-russian")

高度な使用法

dataset = load_dataset("common_voice", "pt", split="test", data_dir="./cv-corpus-6.1-2020-12-11")

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

def map_to_array(batch):
    speech, _ = torchaudio.load(batch["path"])
    batch["speech"] = resampler.forward(speech.squeeze(0)).numpy()
    batch["sampling_rate"] = resampler.new_freq
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower().replace("’", "'")
    return batch

ds = dataset.map(map_to_array)
result = ds.map(map_to_pred, batched=True, batch_size=1, remove_columns=list(ds.features.keys()))
print(wer.compute(predictions=result["predicted"], references=result["target"]))

📚 ドキュメント

結果については、論文を参照してください。

🔧 技術詳細

このモデルは、Wav2vec2 Large 100k Voxpopuli をベースに、Common Voice 7.0 と M-AILABS のデータセットを使用してロシア語にファインチューニングされています。

📄 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。

📋 情報一覧