Wave2vec2 Large Xlsr Hindi

🚀 Wav2Vec2-Large-XLSR-印地语

本项目基于OpenSLR印地语数据集进行训练，并使用Common Voice印地语测试数据集进行评估，对facebook/wav2vec2-large-xlsr-53模型进行了微调。该模型可用于印地语的自动语音识别任务，为语音处理领域提供了有力支持。

✨ 主要特性

• 多数据集支持：使用了OpenSLR Hindi和Common Voice等数据集进行训练和评估。
• 指标评估：采用字错率（WER）作为评估指标，直观反映模型性能。
• 特定语言优化：针对印地语进行了精细调整，提高了在印地语语音识别上的准确性。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

模型可以直接使用（无需语言模型），示例代码如下：

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

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

processor = Wav2Vec2Processor.from_pretrained("shiwangi27/wave2vec2-large-xlsr-hindi") 
model = Wav2Vec2ForCTC.from_pretrained("shiwangi27/wave2vec2-large-xlsr-hindi")

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[:2]["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)

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

高级用法

在印地语测试数据上评估模型的示例代码如下：

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

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

processor = Wav2Vec2Processor.from_pretrained("shiwangi27/wave2vec2-large-xlsr-hindi") 
model = Wav2Vec2ForCTC.from_pretrained("shiwangi27/wave2vec2-large-xlsr-hindi") 
model.to("cuda")

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“\%\�\।\']'
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):
	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)

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"])))

📚 详细文档

测试结果

代码来源

用于训练此模型的Notebook可在 shiwangi27/googlecolab 找到。训练使用了 run_common_voice.py 的修改版本。

注意事项

当使用此模型时，请确保您的语音输入采样率为16kHz。

模型迭代说明

这是微调的第一次迭代。如果在未来的实验中字错率（WER）有所改善，将会更新此模型。

🔧 技术细节

本模型在训练时，使用了大小为10000且随机采样的OpenSLR印地语数据。为了增加数据的多样性，将OpenSLR的训练集和测试集合并作为训练数据。由于OpenSLR数据的采样率为8kHz，因此在训练时将其升采样至16kHz。评估则在Common Voice测试集上进行。

📄 许可证

本项目采用Apache-2.0许可证。

模型信息

模型索引

• 名称：微调后的印地语XLSR Wav2Vec2大模型
• 结果：
  • 任务：
    • 名称：语音识别
    • 类型：自动语音识别
  • 数据集：
    • 名称：Common Voice印地语数据集
      • 类型：Common Voice
      • 参数：印地语
    • 名称：OpenSLR印地语数据集
      • 链接：https://www.openslr.org/resources/103/
  • 指标：
    • 名称：测试字错率（WER）
    • 类型：WER
    • 值：46.05