Wav2vec2 Large Xlsr 53 Russian

🚀 ロシア語音声認識用にファインチューニングされたXLSR-53大規模モデル

このモデルは、Common Voice 6.1 と CSS10 のトレーニングおよび検証データセットを使用して、ロシア語で facebook/wav2vec2-large-xlsr-53 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。

このモデルのファインチューニングは、OVHcloud から提供されたGPUクレジットのおかげで実現されました。

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、以下のように直接使用することができます（言語モデルを使用せずに）。

💻 使用例

基本的な使用法

HuggingSound ライブラリを使用する場合:

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-russian")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]

transcriptions = model.transcribe(audio_paths)

独自の推論スクリプトを作成する場合:

import torch
import librosa
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

LANG_ID = "ru"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-russian"
SAMPLES = 5

test_dataset = load_dataset("common_voice", LANG_ID, split=f"test[:{SAMPLES}]")

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

# データセットの前処理
# 音声ファイルを配列として読み込む必要があります
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)

for i, predicted_sentence in enumerate(predicted_sentences):
    print("-" * 100)
    print("Reference:", test_dataset[i]["sentence"])
    print("Prediction:", predicted_sentence)

🔧 評価

1. mozilla-foundation/common_voice_6_0 の test スプリットで評価する場合

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-russian --dataset mozilla-foundation/common_voice_6_0 --config ru --split test

2. speech-recognition-community-v2/dev_data で評価する場合

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-russian --dataset speech-recognition-community-v2/dev_data --config ru --split validation --chunk_length_s 5.0 --stride_length_s 1.0

📚 詳細ドキュメント

モデル情報

モデルの実験結果

1. Common Voice ru データセット（テストデータ）

   • Test WER: 13.3
   • Test CER: 2.88
   • Test WER (+LM): 9.57
   • Test CER (+LM): 2.24

2. Robust Speech Event - Dev Data データセット（開発データ）

   • Dev WER: 40.22
   • Dev CER: 14.8
   • Dev WER (+LM): 33.61
   • Dev CER (+LM): 13.5

📄 引用

このモデルを引用する場合は、以下を使用できます。

@misc{grosman2021xlsr53-large-russian,
  title={Fine-tuned {XLSR}-53 large model for speech recognition in {R}ussian},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-russian}},
  year={2021}
}

📄 ライセンス

このモデルはApache License 2.0の下で提供されています。