Wav2vec2 Large Xlsr 53 Finnish

🚀 芬蘭語XLSR Wav2Vec2大模型53

本模型是基於芬蘭語，使用通用語音、CSS10和芬蘭議會會議2數據集對facebook/wav2vec2-large-xlsr-53進行微調得到的。在使用此模型時，請確保您的語音輸入採樣率為16kHz。

✨ 主要特性

• 數據豐富：使用了多個數據集進行訓練，包括通用語音、CSS10和芬蘭議會會議2數據集。
• 任務適配：適用於語音識別任務，尤其是芬蘭語的自動語音識別。

📦 安裝指南

文檔未提及安裝步驟，暫不提供。

💻 使用示例

基礎用法

import numpy as np
import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

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

processor = Wav2Vec2Processor.from_pretrained("Tommi/wav2vec2-large-xlsr-53-finnish")
model = Wav2Vec2ForCTC.from_pretrained("Tommi/wav2vec2-large-xlsr-53-finnish")

resampler = lambda sr, y: librosa.resample(y.squeeze(), sr, 16_000)

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

高級用法

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

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

processor = Wav2Vec2Processor.from_pretrained("Tommi/wav2vec2-large-xlsr-53-finnish")
model = Wav2Vec2ForCTC.from_pretrained("Tommi/wav2vec2-large-xlsr-53-finnish")
model.to("cuda")

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\"\%\'\"\�\'\...\…\–\é]'

resampler = lambda sr, y: librosa.resample(y.numpy().squeeze(), sr, 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(sampling_rate, speech_array).squeeze()
  return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)

# Preprocessing the datasets.
# We need to read the audio 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"])))

📚 詳細文檔

評估

該模型可以在通用語音的芬蘭語測試數據上進行如下評估： 運行上述高級用法中的代碼，最終會輸出測試的字錯率（WER）。測試結果：35.43 %

訓練

訓練使用了通用語音的train、validation和other數據集，以及CSS10和芬蘭議會會議2數據集。訓練腳本可在此處找到。# TODO: 請在此處填寫訓練腳本的鏈接。如果您在colab中訓練模型，只需在此處填寫鏈接。如果您在本地訓練模型，最好將訓練腳本上傳到github並在此處粘貼鏈接。

🔧 技術細節

文檔未提供具體技術細節，暫不展示。

📄 許可證

本模型使用的許可證為apache-2.0。

📋 模型信息