Wav2vec2 Large Xlsr Greek 2

🚀 希臘語XLSR Wav2Vec2大模型53

本項目是在希臘語數據集上對 facebook/wav2vec2-large-xlsr-53 進行微調的成果。使用的數據集為 Common Voice，希臘語的Common Voice數據集中男性語音佔比較大。為了平衡數據，我們採用了 此處 討論的方法合成了女性語音。同時，利用 谷歌的TTS標準語音模型 基於Common Voice數據集中的文本合成了女性說話者的語音。

在facebook/wav2vec2-large-xlsr-53上使用希臘語Common Voice數據集進行微調：

• 訓練5個週期 >> 字錯率（WER）為56.25%
• 從檢查點恢復訓練15個週期 >> 字錯率降至34.00%
• 添加合成的女性語音並訓練12個週期 >> 字錯率仍為34.00%（無變化）

使用此模型時，請確保語音輸入的採樣率為16kHz。

🚀 快速開始

使用此模型時，請確保語音輸入的採樣率為16kHz。

✨ 主要特性

• 基於預訓練的 facebook/wav2vec2-large-xlsr-53 模型進行希臘語微調。
• 針對希臘語Common Voice數據集男性語音佔比大的問題，合成女性語音以平衡數據。

📦 安裝指南

文檔未提及安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

模型可以直接使用（無需語言模型），示例代碼如下：

import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
test_dataset = load_dataset("common_voice", "el", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("skylord/greek_lsr_1") 
model = Wav2Vec2ForCTC.from_pretrained("skylord/greek_lsr_1") 

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

文檔未提及高級用法相關代碼，故跳過此部分。

📚 詳細文檔

評估

可以在Common Voice的希臘語測試數據上對模型進行評估，示例代碼如下：

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

test_dataset = load_dataset("common_voice", "el", split="test") 
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("skylord/greek_lsr_1") 
model = Wav2Vec2ForCTC.from_pretrained("skylord/greek_lsr_1")
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：45.048955 %

訓練

使用Common Voice的 train 和 validation 數據集進行訓練。訓練腳本可在 此處 找到。# TODO: 請填寫訓練腳本的鏈接。如果您在Colab中訓練模型，只需在此處填寫鏈接。如果您在本地訓練模型，建議將訓練腳本上傳到GitHub並在此處粘貼鏈接。

🔧 技術細節

文檔未提供足夠的技術實現細節（具體說明少於50字），故跳過此章節。

📄 許可證

本項目採用 apache-2.0 許可證。

信息表格