Wav2vec2 Large Xlsr Japanese 0325 1200

🚀 日文XLSR Wav2Vec2大模型53

本項目基於 Common Voice 數據集，對 facebook/wav2vec2-large-xlsr-53 模型進行微調，以實現日語語音識別。使用該模型時，請確保輸入語音的採樣率為 16kHz。

🚀 快速開始

本模型可直接使用（無需語言模型），以下是使用步驟：

1. 加載必要的庫和數據集。
2. 初始化處理器和模型。
3. 對音頻數據進行預處理。
4. 進行預測並輸出結果。

✨ 主要特性

• 多領域應用：適用於語音識別、語音交互等多個領域。
• 高精度識別：在日語語音識別任務中表現出色。
• 易於使用：提供了詳細的使用示例和評估代碼。

📦 安裝指南

本項目主要依賴於 torch、torchaudio、datasets 和 transformers 等庫，可使用以下命令進行安裝：

pip install torch torchaudio datasets transformers

💻 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", "ja", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("qqhann/wav2vec2-large-xlsr-japanese-0325-1200")
model = Wav2Vec2ForCTC.from_pretrained("qqhann/wav2vec2-large-xlsr-japanese-0325-1200")

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", "ja", split="test")
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("qqhann/wav2vec2-large-xlsr-japanese-0325-1200")
model = Wav2Vec2ForCTC.from_pretrained("qqhann/wav2vec2-large-xlsr-japanese-0325-1200")
model.to("cuda")

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“]'  # TODO: adapt this list to include all special characters you removed from the data
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"])))

📚 詳細文檔

評估

本模型可在 Common Voice 的日語測試數據上進行評估，評估代碼如下：

# 評估代碼見高級用法部分

訓練

本模型使用了 Common Voice 的 train、validation 等數據集進行訓練，訓練腳本可參考 此處。

測試結果

測試結果：XX.XX %

📄 許可證

本項目採用 apache-2.0 許可證。

⚠️ 重要提示

使用該模型時，請確保輸入語音的採樣率為 16kHz。

💡 使用建議

在評估模型時，請根據實際情況調整 chars_to_ignore_regex 列表，以去除數據中的特殊字符。同時，記得在評估完模型後，將 {wer_result_on_test} 替換為實際的 WER 錯誤率，以便模型能在排行榜上顯示。