Wav2vec2 Large Xlsr 53 English

🚀 英語音声認識のために微調整されたXLSR - 53大規模モデル

このモデルは、Common Voice 6.1 のトレーニングデータと検証データを使用して、英語に対して 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。

このモデルの微調整には、OVHcloud から提供されたGPUクレジットを利用しています。

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利用することができます。

✨ 主な機能

• 英語の音声認識に特化した微調整済みモデルです。
• 複数のデータセットで評価され、WER（Word Error Rate）やCER（Character Error Rate）などの指標で性能が測定されています。

📦 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。例えば、transformers、datasets、librosa、torch などです。具体的なインストール方法は各ライブラリの公式ドキュメントを参照してください。

💻 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-english")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]

transcriptions = model.transcribe(audio_paths)

高度な使用法

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 = "en"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-english"
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)

# 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)

📚 ドキュメント

評価方法

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-english --dataset mozilla-foundation/common_voice_6_0 --config en --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-english --dataset speech-recognition-community-v2/dev_data --config en --split validation --chunk_length_s 5.0 --stride_length_s 1.0

📄 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を使用してください。

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

情報テーブル

重要提示

⚠️ 重要提示

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。

💡 使用建議

独自の推論スクリプトを作成する場合は、コード内のパスやパラメータを適切に設定してください。また、評価を行う場合は、評価コマンド内のパラメータも正しく設定する必要があります。