Wav2vec2 Large Chinese Zh Cn

🚀 中国語音声認識用の微調整済みXLSR-53大規模モデル

このモデルは、中国語の音声認識に特化しており、Common Voice 6.1、CSS10、ST-CMDS のトレーニングおよび検証データセットを使用して、facebook/wav2vec2-large-xlsr-53 を微調整したものです。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。

このモデルはRTX3090で50時間微調整されています。

トレーニングに使用されたスクリプトはこちらにあります: https://github.com/jonatasgrosman/wav2vec2-sprint

🚀 クイックスタート

このモデルは、言語モデルを使用せずに直接使用することができます。以下に具体的な使用方法を説明します。

✨ 主な機能

• 中国語の音声認識に特化した微調整済みモデルです。
• 16kHzの音声入力に最適化されています。

📦 インストール

このモデルを使用するには、必要なライブラリをインストールする必要があります。以下の例では HuggingSound ライブラリを使用しています。

💻 使用例

基本的な使用法

from huggingsound import SpeechRecognitionModel
model = SpeechRecognitionModel("wbbbbb/wav2vec2-large-chinese-zh-cn")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]
transcriptions = model.transcribe(audio_paths)

高度な使用法

import torch
import re
import librosa
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import warnings
import os

os.environ["KMP_AFFINITY"] = ""


LANG_ID = "zh-CN"
MODEL_ID = "zh-CN-output-aishell"
DEVICE = "cuda"

test_dataset = load_dataset("common_voice", LANG_ID, split="test")

wer = load_metric("wer")
cer = load_metric("cer")



processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)
model = Wav2Vec2ForCTC.from_pretrained(MODEL_ID)
model.to(DEVICE)

# Preprocessing the datasets.
# We need to read the audio files as arrays
def speech_file_to_array_fn(batch):
    with warnings.catch_warnings():
        warnings.simplefilter("ignore")
        speech_array, sampling_rate = librosa.load(batch["path"], sr=16_000)
    batch["speech"] = speech_array
    batch["sentence"] = (
        re.sub("([^\u4e00-\u9fa5\u0030-\u0039])", "", batch["sentence"]).lower() + " "
    )
    return batch


test_dataset = test_dataset.map(
    speech_file_to_array_fn,
    num_proc=15,
    remove_columns=['client_id', 'up_votes', 'down_votes', 'age', 'gender', 'accent', 'locale', 'segment'],
)

# Preprocessing the datasets.
# We need to read the audio 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(DEVICE),
            attention_mask=inputs.attention_mask.to(DEVICE),
        ).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)

predictions = [x.lower() for x in result["pred_strings"]]
references = [x.lower() for x in result["sentence"]]

print(
    f"WER: {wer.compute(predictions=predictions, references=references, chunk_size=1000) * 100}"
)
print(f"CER: {cer.compute(predictions=predictions, references=references) * 100}")

📚 ドキュメント

評価

このモデルは、Common Voiceの中国語（zh-CN）テストデータで以下のように評価することができます。

テスト結果:

以下の表に、このモデルの単語誤り率（WER）と文字誤り率（CER）を示します。2022年7月18日に他のモデルについても同じ評価スクリプトを実行しました。ただし、以下の表の結果は既に報告されている結果と異なる場合があります。これは、使用された他の評価スクリプトの特性によるものです。

📄 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。

引用

このモデルを引用する場合は、以下のBibTeXを使用することができます。

@misc{grosman2021xlsr53-large-chinese,
  title={Fine-tuned {XLSR}-53 large model for speech recognition in {C}hinese},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/wbbbbb/wav2vec2-large-chinese-zh-cn}},
  year={2021}
}