🚀 Wav2Vec2-Large-XLSR-53-馬拉地語
該項目基於Open SLR64數據集,對facebook/wav2vec2-large-xlsr-53模型進行微調,使其適用於馬拉地語語音識別。使用該模型時,請確保輸入語音的採樣率為16kHz。此數據集僅包含女性語音,但模型對男性語音也有良好的識別效果。模型在Google Colab Pro的Tesla P100 16GB GPU上進行訓練。
模型信息
屬性 |
詳情 |
模型類型 |
基於Wav2Vec2-Large-XLSR-53微調的馬拉地語語音識別模型 |
訓練數據 |
Open SLR64馬拉地語數據集 |
評估指標 |
詞錯誤率(WER) |
基礎模型 |
facebook/wav2vec2-large-xlsr-53 |
測試集WER |
12.70 % |
🚀 快速開始
環境準備
確保你的環境中安裝了torch
、torchaudio
和transformers
庫。
代碼示例
以下是如何直接使用該模型進行語音識別的示例代碼:
import torch, torchaudio
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
mr_test_dataset = all_data['test']
processor = Wav2Vec2Processor.from_pretrained("sumedh/wav2vec2-large-xlsr-marathi")
model = Wav2Vec2ForCTC.from_pretrained("sumedh/wav2vec2-large-xlsr-marathi")
resampler = torchaudio.transforms.Resample(48_000, 16_000)
def speech_file_to_array_fn(batch):
speech_array, sampling_rate = torchaudio.load(batch["path_in_folder"])
batch["speech"] = resampler(speech_array).squeeze().numpy()
return batch
mr_test_dataset = mr_test_dataset.map(speech_file_to_array_fn)
inputs = processor(mr_test_dataset["speech"][:5], 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:", mr_test_dataset["actual_text"][:5])
💻 使用示例
基礎用法
上述代碼展示瞭如何直接使用模型進行語音識別,無需語言模型。
高級用法
以下是如何對模型進行評估的示例代碼:
import os, re, torch, torchaudio
from datasets import Dataset, load_metric
import pandas as pd
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
dataset_path = "./OpenSLR-64_Marathi/mr_in_female/"
audio_df = pd.read_csv(os.path.join(dataset_path,'line_index.tsv'),sep='\t',header=None)
audio_df.columns = ['path_in_folder','actual_text']
audio_df['path_in_folder'] = audio_df['path_in_folder'].apply(lambda x: dataset_path + x + '.wav')
audio_df = audio_df.sample(frac=1, random_state=2020).reset_index(drop=True)
all_data = Dataset.from_pandas(audio_df)
all_data = all_data.train_test_split(test_size=0.10,seed=2020)
mr_test_dataset = all_data['test']
wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("sumedh/wav2vec2-large-xlsr-marathi")
model = Wav2Vec2ForCTC.from_pretrained("sumedh/wav2vec2-large-xlsr-marathi")
model.to("cuda")
chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)
def speech_file_to_array_fn(batch):
batch["actual_text"] = re.sub(chars_to_ignore_regex, '', batch["actual_text"]).lower()
speech_array, sampling_rate = torchaudio.load(batch["path_in_folder"])
batch["speech"] = resampler(speech_array).squeeze().numpy()
return batch
mr_test_dataset = mr_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 = mr_test_dataset.map(evaluate, batched=True, batch_size=8)
print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["actual_text"])))
🔧 訓練相關
訓練比例
訓練集和測試集的比例為90:10。
訓練資源
訓練使用Google Colab Pro的Tesla P100 16GB GPU。
訓練鏈接
- 訓練筆記本Colab鏈接:點擊查看
- 訓練配置和總結(weights-and-biases運行總結):點擊查看
📄 許可證
本項目使用Apache-2.0許可證。