🚀 Wav2Vec2-Large-XLSR-53-ncj/nah
本項目是在納瓦特爾語(特別是普埃布拉北部的方言,代碼為ncj)上對 facebook/wav2vec2-large-xlsr-53 進行微調得到的模型。訓練使用了 SLR92 的衍生數據集,以及來自 Common Voice 的 es
和 de
數據集的部分樣本。該模型可用於自動語音識別任務,為語音相關研究和應用提供支持。
✨ 主要特性
- 語言針對性強:針對納瓦特爾語(普埃布拉北部方言)進行微調,更適合該特定語言場景。
- 多數據集融合:結合了 SLR92 的衍生數據集以及 Common Voice 中的
es
和 de
數據集樣本,豐富了訓練數據。
- 評估指標明確:使用詞錯誤率(WER)作為評估指標,便於衡量模型性能。
📦 安裝指南
文檔未提供具體安裝步驟,暫不展示。
💻 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", "{lang_id}", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("tyoc213/wav2vec2-large-xlsr-nahuatl")
model = Wav2Vec2ForCTC.from_pretrained("tyoc213/wav2vec2-large-xlsr-nahuatl")
resampler = torchaudio.transforms.Resample(48_000, 16_000)
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])
高級用法
import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re
test_dataset = load_dataset("common_voice", "{lang_id}", split="test")
wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("tyoc213/wav2vec2-large-xlsr-nahuatl")
model = Wav2Vec2ForCTC.from_pretrained("tyoc213/wav2vec2-large-xlsr-nahuatl")
model.to("cuda")
chars_to_ignore_regex = '[\,\?\.\!\-\;\"\“\%\‘\”\�\(\)\-]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)
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"])))
📚 詳細文檔
模型信息
屬性 |
詳情 |
模型類型 |
基於Wav2Vec2-Large-XLSR-53在納瓦特爾語上微調的自動語音識別模型 |
訓練數據 |
基於 SLR92 的衍生數據集,以及來自 Common Voice 的 es 和 de 數據集的部分樣本 |
評估結果
測試結果:詞錯誤率(WER)為 50.95 %
訓練信息
訓練使用了 SLR92 的衍生數據集(即將發佈),以及來自 Common Voice 的 es
和 de
數據集的部分樣本。訓練腳本可在 less60wer.ipynb 中找到。
📄 許可證
本項目採用 Apache-2.0 許可證。