Japanese Wav2vec2 Base Rs35kh

🚀 japanese-wav2vec2-base-rs35kh

このモデルは、大規模な日本語ASRコーパス ReazonSpeech v2.0 でファインチューニングされた wav2vec 2.0 Base です。

🚀 クイックスタート

このモデルは transformers ライブラリを通じて使用することができます。

基本的な使用法

import librosa
import numpy as np
from transformers import AutoProcessor, Wav2Vec2ForCTC

model = Wav2Vec2ForCTC.from_pretrained(
    "reazon-research/japanese-wav2vec2-base-rs35kh",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
).to("cuda")
processor = AutoProcessor.from_pretrained("reazon-research/japanese-wav2vec2-base-rs35kh")

audio, _ = librosa.load(audio_filepath, sr=16_000)
audio = np.pad(audio, pad_width=int(0.5 * 16_000))  # Recommend to pad audio before inference
input_values = processor(
    audio,
    return_tensors="pt",
    sampling_rate=16_000
).input_values.to("cuda").to(torch.bfloat16)

with torch.inference_mode():
    logits = model(input_values).logits.cpu()
predicted_ids = torch.argmax(logits, dim=-1)[0]
transcription = processor.decode(predicted_ids, skip_special_tokens=True)

📚 ドキュメント

テスト結果

私たちは、当モデルと他のwav2vec2ファミリーの文字誤り率（CER）を報告します。

また、長文音声に対するCERも報告します。

引用

@misc{reazon-research-japanese-wav2vec2-base-rs35kh,
  title={japanese-wav2vec2-base-rs35kh},
  author={Sasaki, Yuta},
  url = {https://huggingface.co/reazon-research/japanese-wav2vec2-base-rs35kh},
  year = {2024}
}

📄 ライセンス

Apaceh Licence 2.0