Wav2vec2 Large Xlsr 53 Basque

🚀 Wav2Vec2-Large-XLSR-53-巴斯克語模型

本項目是基於巴斯克語對 facebook/wav2vec2-large-xlsr-53 模型進行微調得到的成果，使用了 Common Voice 數據集。該模型可用於語音識別任務，為巴斯克語的語音處理提供了有力支持。

🚀 快速開始

使用此模型時，請確保輸入的語音採樣率為 16kHz。

✨ 主要特性

• 多標籤關聯：關聯了音頻、自動語音識別、語音等多個領域標籤。
• 特定語言微調：針對巴斯克語進行了微調，適用於巴斯克語語音識別。
• 評估指標明確：在 Common Voice 巴斯克語測試數據上有明確的詞錯誤率（WER）指標。

📦 安裝指南

文檔未提及具體安裝步驟，可參考 Hugging Face 相關模型的通用安裝流程。

💻 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", "eu", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("stefan-it/wav2vec2-large-xlsr-53-basque")
model = Wav2Vec2ForCTC.from_pretrained("stefan-it/wav2vec2-large-xlsr-53-basque")
resampler = torchaudio.transforms.Resample(48_000, 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(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", "eu", split="test")
wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("stefan-it/wav2vec2-large-xlsr-53-basque")
model = Wav2Vec2ForCTC.from_pretrained("stefan-it/wav2vec2-large-xlsr-53-basque")
model.to("cuda")
chars_to_ignore_regex = '[\\\\,\\\\?\\\\.\\\\!\\\\-\\\\;\\\\:\\\\"\\\\“\\\\%\\\\‘\\\\”\\\\�]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)

# Preprocessing the datasets.
# We need to read the aduio 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(speech_array).squeeze().numpy()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)

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

測試結果

測試結果： 18.272625%

📚 詳細文檔

訓練信息

使用了 Common Voice 的 train 和 validation 數據集進行訓練。訓練腳本預計很快會公佈。

致謝

非常感謝 OVH 團隊 提供 V - 100 實例的訪問權限，沒有他們的幫助，模型微調將無法完成！

同時感謝 Manuel Romero（mrm8488）在微調腳本方面提供的幫助！

📄 許可證

本模型使用的許可證為 Apache - 2.0。

模型信息表格