Wav2vec2 Ljspeech Gruut

🚀 Wav2Vec2 LJSpeech Gruut

Wav2Vec2 LJSpeech Gruutは、wav2vec 2.0アーキテクチャに基づく自動音声認識モデルです。このモデルは、Wav2Vec2-BaseをLJSpech Phonemesデータセットでファインチューニングしたものです。

このモデルは、単語のシーケンスを予測するように訓練されるのではなく、音素のシーケンス（例：["h", "ɛ", "l", "ˈoʊ", "w", "ˈɚ", "l", "d"]）を予測するように訓練されています。したがって、モデルの語彙には、gruutに含まれるさまざまなIPA音素が含まれています。

このモデルは、HuggingFaceのPyTorchフレームワークを使用して訓練されました。すべての訓練は、Tesla A100 GPUを搭載したGoogle Cloud Engine VM上で行われました。訓練に使用されたすべての必要なスクリプトは、Files and versionsタブに、またTensorboardを介して記録されたTraining metricsも確認できます。

✨ 主な機能

• 音素認識に特化した自動音声認識モデルです。
• wav2vec 2.0アーキテクチャをベースに、LJSpech Phonemesデータセットでファインチューニングされています。

📦 インストール

このREADMEには具体的なインストール手順が記載されていないため、このセクションをスキップします。

💻 使用例

基本的な使用法

from transformers import AutoProcessor, AutoModelForCTC, Wav2Vec2Processor
import librosa
import torch
from itertools import groupby
from datasets import load_dataset

def decode_phonemes(
    ids: torch.Tensor, processor: Wav2Vec2Processor, ignore_stress: bool = False
) -> str:
    """CTC-like decoding. First removes consecutive duplicates, then removes special tokens."""
    # removes consecutive duplicates
    ids = [id_ for id_, _ in groupby(ids)]

    special_token_ids = processor.tokenizer.all_special_ids + [
        processor.tokenizer.word_delimiter_token_id
    ]
    # converts id to token, skipping special tokens
    phonemes = [processor.decode(id_) for id_ in ids if id_ not in special_token_ids]

    # joins phonemes
    prediction = " ".join(phonemes)

    # whether to ignore IPA stress marks
    if ignore_stress == True:
        prediction = prediction.replace("ˈ", "").replace("ˌ", "")

    return prediction

checkpoint = "bookbot/wav2vec2-ljspeech-gruut"

model = AutoModelForCTC.from_pretrained(checkpoint)
processor = AutoProcessor.from_pretrained(checkpoint)
sr = processor.feature_extractor.sampling_rate

# load dummy dataset and read soundfiles
ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
audio_array = ds[0]["audio"]["array"]

# or, read a single audio file
# audio_array, _ = librosa.load("myaudio.wav", sr=sr)

inputs = processor(audio_array, return_tensors="pt", padding=True)

with torch.no_grad():
    logits = model(inputs["input_values"]).logits

predicted_ids = torch.argmax(logits, dim=-1)
prediction = decode_phonemes(predicted_ids[0], processor, ignore_stress=True)
# => should give 'b ɪ k ʌ z j u ɚ z s l i p ɪ ŋ ɪ n s t ɛ d ə v k ɔ ŋ k ɚ ɪ ŋ ð ə l ʌ v l i ɹ z p ɹ ɪ n s ə s h æ z b ɪ k ʌ m ə v f ɪ t ə l w ɪ θ n b oʊ p ɹ ə ʃ æ ɡ i s ɪ t s ð ɛ ɹ ə k u ɪ ŋ d ʌ v'

📚 ドキュメント

モデル情報

評価結果

このモデルは、以下の評価結果を達成しています。

訓練手順

訓練ハイパーパラメータ

訓練中に使用されたハイパーパラメータは以下の通りです。

• learning_rate: 0.0001
• train_batch_size: 16
• eval_batch_size: 8
• seed: 42
• gradient_accumulation_steps: 2
• total_train_batch_size: 32
• optimizer: Adam (betas=(0.9,0.999) および epsilon=1e-08)
• lr_scheduler_type: linear
• lr_scheduler_warmup_steps: 1000
• num_epochs: 30.0
• mixed_precision_training: Native AMP

訓練結果

🔧 技術詳細

このREADMEには具体的な技術詳細が記載されていないため、このセクションをスキップします。

📄 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。

免責事項

このモデルの結果には、事前訓練データセットに由来するバイアスが含まれている可能性があることに留意してください。

作成者

Wav2Vec2 LJSpeech Gruutは、Wilson Wongsoによって訓練および評価されました。すべての計算と開発はGoogle Cloud上で行われました。

フレームワークのバージョン

• Transformers 4.26.0.dev0
• Pytorch 1.10.0
• Datasets 2.7.1
• Tokenizers 0.13.2
• Gruut 2.3.4