Wav2vec2 Xls R 300m Khmer

🚀 xls-r-300m-km 語音識別模型

本模型是基於Transformer架構的語音識別模型，在openslr數據集上微調了facebook/wav2vec2-xls-r-300m模型，可用於高棉語的自動語音識別任務。

🚀 快速開始

本模型是 facebook/wav2vec2-xls-r-300m 在 openslr 數據集上的微調版本。它在評估集上取得了以下結果：

• 損失：0.3281
• 字錯率（Wer）：0.3462

OpenSLR “測試” 集（自劃分 10%）評估結果（運行 ./eval.py）

• 字錯率（WER）：0.3216977389924633
• 字符錯誤率（CER）：0.08653361193169537

使用語言模型在 OpenSLR “測試” 集（自劃分 10%）的評估結果（運行 ./eval.py）

• 字錯率（WER）：0.257040856802856
• 字符錯誤率（CER）：0.07025001801282513

✨ 主要特性

• 小數據集表現良好：儘管僅使用約4小時的錄音數據進行訓練，但模型性能不錯。
• 支持語言模型：可結合語言模型進一步提升識別效果。

📦 安裝指南

為支持語言模型，需在 HuggingFace Transformers 基礎上安裝以下庫：

pip install pyctcdecode
pip install https://github.com/kpu/kenlm/archive/master.zip

💻 使用示例

基礎用法

使用 HuggingFace 的 pipeline，可實現從原始音頻輸入到文本輸出的端到端處理：

from transformers import pipeline

# 加載模型
pipe = pipeline(model="vitouphy/wav2vec2-xls-r-300m-khmer")

# 處理原始音頻
output = pipe("sound_file.wav", chunk_length_s=10, stride_length_s=(4, 2))

高級用法

更自定義的方式來預測音素：

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC 
import librosa
import torch

# 加載模型和處理器
processor = Wav2Vec2Processor.from_pretrained("vitouphy/wav2vec2-xls-r-300m-khmer")
model = Wav2Vec2ForCTC.from_pretrained("vitouphy/wav2vec2-xls-r-300m-khmer")

# 讀取並處理輸入
speech_array, sampling_rate = librosa.load("sound_file.wav", sr=16_000)
inputs = processor(speech_array, 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, axis=-1)      
predicted_sentences = processor.batch_decode(predicted_ids)
print(predicted_sentences)

📚 詳細文檔

預期用途和限制

本模型使用的數據僅約4小時的錄音：

• 數據按 80/10/10 劃分，訓練時長僅 3.2 小時，數據量非常小。
• 儘管如此，模型性能不錯，小數據集能有此表現很有趣，你可嘗試使用。
• 模型的侷限性：
  • 對稀有字符（如 ឬស្សី ឪឡឹក）識別效果不佳。
  • 要求語音清晰、發音準確。
• 增加數據以覆蓋更多詞彙和字符，可能有助於提升系統性能。

訓練過程

訓練超參數

訓練過程中使用了以下超參數：

• 學習率（learning_rate）：5e-05
• 訓練批次大小（train_batch_size）：8
• 評估批次大小（eval_batch_size）：8
• 隨機種子（seed）：42
• 梯度累積步數（gradient_accumulation_steps）：4
• 總訓練批次大小（total_train_batch_size）：32
• 優化器（optimizer）：Adam，β=(0.9, 0.999)，ε=1e-08
• 學習率調度器類型（lr_scheduler_type）：線性
• 學習率調度器熱身步數（lr_scheduler_warmup_steps）：1000
• 訓練輪數（num_epochs）：100
• 混合精度訓練（mixed_precision_training）：Native AMP

訓練結果

框架版本

• Transformers 4.17.0.dev0
• Pytorch 1.10.2+cu102
• Datasets 1.18.2.dev0
• Tokenizers 0.11.0

📄 許可證

本項目採用 Apache-2.0 許可證。