🚀 Wav2Vec2-Large-XLSR-53-Vietnamese
このモデルは、ベトナム語の音声認識タスクに特化しており、facebook/wav2vec2-large-xlsr-53 を Common Voice と Infore_25h dataset(パスワード: BroughtToYouByInfoRe)を用いてファインチューニングしたものです。
基本情報
プロパティ |
詳細 |
モデルタイプ |
音声認識用のファインチューニング済みモデル |
学習データ |
Common Voice、Infore_25h dataset |
評価指標 |
WER (Word Error Rate) |
ライセンス |
Apache-2.0 |
モデルの結果
- モデル名: Cuong-Cong XLSR Wav2Vec2 Large 53
- タスク: 音声認識 (Automatic Speech Recognition)
- データセット: Common Voice vi
- 評価指標: Test WER = 58.63%
🚀 クイックスタート
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。
💻 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", "vi", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("CuongLD/wav2vec2-large-xlsr-vietnamese")
model = Wav2Vec2ForCTC.from_pretrained("CuongLD/wav2vec2-large-xlsr-vietnamese")
resampler = torchaudio.transforms.Resample(48_000, 16_000)
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])
高度な使用法
import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re
test_dataset = load_dataset("common_voice", "vi", split="test")
wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("CuongLD/wav2vec2-large-xlsr-vietnamese")
model = Wav2Vec2ForCTC.from_pretrained("CuongLD/wav2vec2-large-xlsr-vietnamese")
model.to("cuda")
chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)
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)
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"), attention_mask=inputs.attention_mask.to("cuda")).logits
pred_ids = torch.argmax(logits, dim=-1)
batch["pred_strings"] = processor.batch_decode(pred_ids)
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: 58.63 %
📚 ドキュメント
学習について
Common Voice の train
、validation
データセットと Infore_25h
データセットを学習に使用しました。学習に使用したスクリプトは こちら から取得できます。
学習済みチェックポイントの評価方法
モデルをアップロードした後、最終的な評価を行う必要があります。これは、モデルカードの評価コードをPythonスクリプトにコピーして実行するだけです。最終結果をモデルカードのYAMLタグの下と評価コードの下の "Test Results" に記載することを忘れないでください。
学習と評価のルール
- 学習データ: 公式のCommon Voice
test
データセットを除くすべてのデータを学習データとして使用できます。Common Voiceに含まれない言語でモデルを学習する場合は、評価用のデータを適切に残すようにしてください。
- データ前処理: データを小文字に正規化することや、印刷記号や句読点を削除することは許可されています。ただし、単語の意味を変えるような記号は削除しないでください。
- 評価: 上記の評価コードを使用してモデルを評価できます。
ヒントとコツ
- 複数のデータセットを結合する方法: こちら の記事を参照してください。
- 限られたRAMとハードドライブ容量で効率的にデータセットをロードする方法: こちら の記事を参照してください。
参考資料
Wav2Vec2の理論的な仕組みを理解することは、モデルのファインチューニングに役立ちます。以下のリソースを参考にしてください。
FAQ
- 参加者は複数の言語のモデルをファインチューニングできますか?
- はい、参加者は好きなだけの言語のモデルをファインチューニングできます。
- 参加者は追加のデータ(Common Voiceデータ以外)を使用できますか?
- はい、公式のCommon Voice
test
データを除くすべてのデータを学習に使用できます。Common Voiceに含まれない言語でモデルを学習する場合は、評価用のデータを適切に残すようにしてください。
- 高リソース言語のモデルをファインチューニングできますか?
- はい、英語のモデルをファインチューニングすることは推奨されませんが、フランス語、スペイン語、ドイツ語などの他の「高リソース」言語のモデルをファインチューニングすることは大歓迎です。その場合は、ローカルで学習し、遅延データローディングなどのテクニックを適用する必要があるかもしれません。
ライセンス
このモデルはApache-2.0ライセンスの下で公開されています。
モデルは huggingface.co/CuongLD/wav2vec2-large-xlsr-vietnamese で誰でも使用できます 🎉。