🚀 XLS-R 1B モデルをファインチューニングしたロシア語音声認識モデル
このモデルは、Common Voice 8.0、Golos、および Multilingual TEDx のトレーニングと検証分割を使用して、ロシア語で facebook/wav2vec2-xls-r-1b をファインチューニングしたものです。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、HuggingSound ツールでファインチューニングされており、OVHcloud から提供された GPU クレジットに感謝いたします。
🚀 クイックスタート
このモデルは、ロシア語の音声認識に使用できます。以下に使用方法を説明します。
✨ 主な機能
- ロシア語の音声を高精度に認識します。
- 複数の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インストールしてください。
pip install transformers datasets librosa torch
💻 使用例
基本的な使用法
from huggingsound import SpeechRecognitionModel
model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-xls-r-1b-russian")
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 librosa
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
LANG_ID = "ru"
MODEL_ID = "jonatasgrosman/wav2vec2-xls-r-1b-russian"
SAMPLES = 10
test_dataset = load_dataset("common_voice", LANG_ID, split=f"test[:{SAMPLES}]")
processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)
model = Wav2Vec2ForCTC.from_pretrained(MODEL_ID)
def speech_file_to_array_fn(batch):
speech_array, sampling_rate = librosa.load(batch["path"], sr=16_000)
batch["speech"] = speech_array
batch["sentence"] = batch["sentence"].upper()
return batch
test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset["speech"], 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)
predicted_sentences = processor.batch_decode(predicted_ids)
📚 ドキュメント
評価コマンド
mozilla-foundation/common_voice_8_0
の test
スプリットで評価するには
python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-russian --dataset mozilla-foundation/common_voice_8_0 --config ru --split test
speech-recognition-community-v2/dev_data
で評価するには
python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-russian --dataset speech-recognition-community-v2/dev_data --config ru --split validation --chunk_length_s 5.0 --stride_length_s 1.0
引用
このモデルを引用する場合は、以下のようにしてください。
@misc{grosman2021xlsr-1b-russian,
title={Fine-tuned {XLS-R} 1{B} model for speech recognition in {R}ussian},
author={Grosman, Jonatas},
howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-xls-r-1b-russian}},
year={2022}
}
📄 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。
属性 |
详情 |
モデルタイプ |
音声認識用のファインチューニング済み XLS - R 1B モデル |
トレーニングデータ |
mozilla - foundation/common_voice_8_0、Golos、Multilingual TEDx |