Wav2vec2 Xls R 300m Timit Phoneme

🚀 wav2vec2-xls-r-300m-phoneme

このモデルは、Timitデータセットで微調整された自動音声認識モデルで、音素認識タスクに適用できます。

🚀 クイックスタート

このモデルは、facebook/wav2vec2-xls-r-300m をTimitデータセットで微調整したバージョンです。学習の詳細については、このノートブック を確認してください。

✨ 主な機能

• 自動音声認識タスクに特化したモデルで、音素認識に適用できます。
• HuggingFaceのpipelineを使用することで、生の音声入力からテキスト出力までをエンドツーエンドで処理できます。

📦 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。以下のコマンドを使用して、必要なライブラリをインストールしてください。

pip install transformers datasets torch soundfile

💻 使用例

基本的な使用法

HuggingFaceのpipelineを使用して、生の音声入力からテキスト出力までをエンドツーエンドで処理する方法です。

from transformers import pipeline

# Load the model
pipe = pipeline(model="vitouphy/wav2vec2-xls-r-300m-timit-phoneme")
# Process raw audio
output = pipe("audio_file.wav", chunk_length_s=10, stride_length_s=(4, 2))

高度な使用法

よりカスタマイズした方法で音素を予測する方法です。

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC 
from datasets import load_dataset
import torch
import soundfile as sf

# load model and processor
processor = Wav2Vec2Processor.from_pretrained("vitouphy/wav2vec2-xls-r-300m-timit-phoneme")
model = Wav2Vec2ForCTC.from_pretrained("vitouphy/wav2vec2-xls-r-300m-timit-phoneme")

# Read and process the input
audio_input, sample_rate = sf.read("audio_file.wav")
inputs = processor(audio_input, sampling_rate=16_000, return_tensors="pt", padding=True)

with torch.no_grad():
    logits = model(inputs.input_values, attention_mask=inputs.attention_mask).logits

# Decode id into string
predicted_ids = torch.argmax(logits, axis=-1)      
predicted_sentences = processor.batch_decode(predicted_ids)
print(predicted_sentences)

📚 ドキュメント

学習と評価データ

このモデルでは、DARPA TIMITデータセット を使用しています。

• 学習、検証、テストにそれぞれ 80/10/10 に分割しています。
• これはおおよそ 137/17/17 分に相当します。
• このテストセットでは、7.996% の結果を得ています。

学習手順

学習ハイパーパラメータ

学習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: 3e-05
• train_batch_size: 8
• eval_batch_size: 8
• seed: 42
• gradient_accumulation_steps: 4
• total_train_batch_size: 32
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• lr_scheduler_warmup_steps: 2000
• training_steps: 10000
• mixed_precision_training: Native AMP

フレームワークバージョン

• Transformers 4.17.0.dev0
• Pytorch 1.10.2+cu102
• Datasets 1.18.2.dev0
• Tokenizers 0.11.0

引用

@misc { phy22-phoneme,
  author       = {Phy, Vitou},
  title        = {{Automatic Phoneme Recognition on TIMIT Dataset with Wav2Vec 2.0}},
  year         = 2022,
  note         = {{If you use this model, please cite it using these metadata.}},
  publisher    = {Hugging Face},
  version      = {1.0},
  doi          = {10.57967/hf/0125},
  url          = {https://huggingface.co/vitouphy/wav2vec2-xls-r-300m-timit-phoneme}
}

📄 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。