Wav2vec2 Large Xlsr 53 Finnish

🚀 Wav2Vec2-Large-XLSR-53-芬蘭語模型

本項目基於 Common Voice 和 CSS10 芬蘭語：單說話人語音數據集，對 facebook/wav2vec2-large-xlsr-53 模型進行了芬蘭語微調。使用該模型時，請確保語音輸入的採樣率為 16kHz。

🚀 快速開始

本模型可直接使用（無需語言模型），以下是使用示例。

💻 使用示例

基礎用法

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

test_dataset = load_dataset("common_voice", "el", split="test[:2%]") #TODO: 在此處將 {lang_id} 替換為你的語言代碼。確保該代碼是 [此網站](https://huggingface.co/languages) 中的 *ISO 代碼* 之一。

processor = Wav2Vec2Processor.from_pretrained("vasilis/wav2vec2-large-xlsr-53-finnish") #TODO: 將 {model_id} 替換為你的模型 ID。模型 ID 由 {你的用戶名}/{你的模型名} 組成，例如 `elgeish/wav2vec2-large-xlsr-53-arabic`
model = Wav2Vec2ForCTC.from_pretrained("vasilis/wav2vec2-large-xlsr-53-finnish") #TODO: 將 {model_id} 替換為你的模型 ID。模型 ID 由 {你的用戶名}/{你的模型名} 組成，例如 `elgeish/wav2vec2-large-xlsr-53-arabic`

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

# 預處理數據集。
# 我們需要將音頻文件讀取為數組
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("預測結果:", processor.batch_decode(predicted_ids))
print("參考結果:", test_dataset["sentence"][:2])

高級用法

以下是在 Common Voice 芬蘭語測試數據上評估模型的代碼示例。

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") #TODO: 在此處將 {lang_id} 替換為你的語言代碼。確保該代碼是 [此網站](https://huggingface.co/languages) 中的 *ISO 代碼* 之一。
wer = load_metric("wer")

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

chars_to_ignore_regex = "[\,\?\.\!\-\;\:\"\“\%\‘\”\�\']"  # TODO: 調整此列表，以包含你從數據中移除的所有特殊字符
replacements = {"…": "", "–": ''}

resampler = {
    48_000: torchaudio.transforms.Resample(48_000, 16_000),
    44100: torchaudio.transforms.Resample(44100, 16_000),
    32000: torchaudio.transforms.Resample(32000, 16_000)
}


# 預處理數據集。
# 我們需要將音頻文件讀取為數組
def speech_file_to_array_fn(batch):
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
    for key, value in replacements.items():
        batch["sentence"] = batch["sentence"].replace(key, value)
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler[sampling_rate](speech_array).squeeze().numpy()
    return batch


test_dataset = test_dataset.map(speech_file_to_array_fn)

# 預處理數據集。
# 我們需要將音頻文件讀取為數組
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("字錯率 (WER): {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["sentence"])))
print("字符錯誤率 (CER): {:2f}".format(100 * wer.compute(predictions=[" ".join(list(entry)) for entry in result["pred_strings"]], references=[" ".join(list(entry)) for entry in result["sentence"]])))

測試結果：38.335242 %

🔧 技術細節

訓練數據

訓練使用了 Common Voice 訓練數據集，同時使用了 CSS10 芬蘭語 的所有歸一化轉錄數據。

訓練過程

模型在經過 20000 步訓練後，使用 Common Voice 的訓練集和驗證集進行了額外 2000 步的微調。

📄 許可證

本項目採用 Apache-2.0 許可證。

信息表格