Wav2vec2 Large Xlsr Dutch

🚀 Wav2Vec2-Large-XLSR-53-オランダ語

このプロジェクトは、Common Voice データセットを基に、オランダ語に対して facebook/wav2vec2-large-xlsr-53 モデルを微調整しています。

このモデルを使用する際には、音声入力のサンプリングレートが 16kHz であることを確認してください。

🚀 クイックスタート

このモデルはオランダ語の音声認識タスクで微調整されており、オランダ語の音声をテキストに変換するために使用できます。使用する際には、入力音声のサンプリングレートの要件に注意してください。

✨ 主な機能

• 微調整モデル：facebook/wav2vec2-large-xlsr-53 をオランダ語データセットで微調整したものです。
• 特定のサンプリングレート要件：音声入力のサンプリングレートは 16kHz である必要があります。

💻 使用例

基本的な使用法

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

test_dataset = load_dataset("common_voice", "nl", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("simonsr/wav2vec2-large-xlsr-dutch")
model = Wav2Vec2ForCTC.from_pretrained("simonsr/wav2vec2-large-xlsr-dutch")

resampler = torchaudio.transforms.Resample(48_000, 16_000)

# Preprocessing the datasets.
# We need to read the audio files as arrays
def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler(speech_array).squeeze().numpy()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset["speech"][:2], 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)

print("Prediction:", processor.batch_decode(predicted_ids))
print("Reference:", test_dataset["sentence"][:2])

高度な使用法

import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import unidecode
import re

test_dataset = load_dataset("common_voice", "nl", split="test")
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("{model_id}") #TODO: replace {model_id} with your model id. The model id consists of {your_username}/{your_modelname}, *e.g.* `elgeish/wav2vec2-large-xlsr-53-arabic`
model = Wav2Vec2ForCTC.from_pretrained("{model_id}") #TODO: replace {model_id} with your model id. The model id consists of {your_username}/{your_modelname}, *e.g.* `elgeish/wav2vec2-large-xlsr-53-arabic`
model.to("cuda")

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“\%\‘\”\�\(\)\=\´\–\&\…\—\’]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)

# Preprocessing the datasets.
# We need to read the aduio files as arrays
def speech_file_to_array_fn(batch):
    batch["sentence"] = unidecode.unidecode(batch["sentence"])
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler(speech_array).squeeze().numpy()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)

# Preprocessing the datasets.
# We need to read the aduio files as arrays
def evaluate(batch):
    inputs = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)

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

    pred_ids = torch.argmax(logits, dim=-1)
   
    batch["pred_strings"] = processor.batch_decode(pred_ids)
     return batch

result = test_dataset.map(evaluate, batched=True, batch_size=8)

print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["sentence"])))

📚 ドキュメント

評価

このモデルは、Common Voice のオランダ語テストデータで以下のように評価できます。

上記の高度な使用法のコードが評価コードであり、テスト結果では単語誤り率（WER）が 38.74% でした。

トレーニング

トレーニングには Common Voice の train、validation などのデータセットを使用しました。トレーニングスクリプトは ここ で見つけることができます（トレーニングスクリプトのリンクを補完する必要があります）。

📄 ライセンス

このモデルは apache-2.0 ライセンスを採用しています。

モデル情報テーブル

⚠️ 重要提示

このモデルを使用する際には、音声入力のサンプリングレートが 16kHz であることを確認してください。