Wav2vec2 Large Xlsr Luganda

🚀 Wav2Vec2-Large-XLSR-53-lg

本模型基於盧幹達語（Luganda）對 facebook/wav2vec2-large-xlsr-53 進行了微調，使用了 Common Voice 數據集，涵蓋訓練集、驗證集及其他數據（不包括測試集中的語音），同時將測試數據用於驗證和測試。使用此模型時，請確保語音輸入的採樣率為 16kHz。

模型信息

模型評估結果

🚀 快速開始

✨ 主要特性

• 基於預訓練的 facebook/wav2vec2-large-xlsr-53 模型進行微調，適用於盧幹達語語音識別任務。
• 訓練數據經過增強處理，包括添加噪聲、調整音高、相位和強度，以提高模型的魯棒性。

📦 安裝指南

文檔未提供安裝步驟，故跳過該章節。

💻 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", "lg", split="test[:2%]") 

processor = Wav2Vec2Processor.from_pretrained("lucio/wav2vec2-large-xlsr-luganda") 
model = Wav2Vec2ForCTC.from_pretrained("lucio/wav2vec2-large-xlsr-luganda")

resampler = torchaudio.transforms.Resample(48_000, 16_000)

# Preprocessing the datasets.
# We need to read the audio 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[:2]["speech"], 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
import unidecode

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

processor = Wav2Vec2Processor.from_pretrained("lucio/wav2vec2-large-xlsr-luganda") 
model = Wav2Vec2ForCTC.from_pretrained("lucio/wav2vec2-large-xlsr-luganda")
model.to("cuda")

chars_to_ignore_regex = '[\[\],?.!;:%"“”(){}‟ˮʺ″«»/…‽�–]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)

# Preprocessing the datasets.
# We need to read the audio 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

def remove_special_characters(batch):
    # word-internal apostrophes are marking contractions
    batch["norm_text"] = re.sub(r'[‘’´`]', r"'", batch["sentence"])
    # most other punctuation is ignored
    batch["norm_text"] = re.sub(chars_to_ignore_regex, "", batch["norm_text"]).lower().strip()
    batch["norm_text"] = re.sub(r"(-|' | '|  +)", " ", batch["norm_text"])
    # remove accents from a few characters (from loanwords, not tones)
    batch["norm_text"] = unidecode.unidecode(batch["norm_text"])
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
test_dataset = test_dataset.map(remove_special_characters)

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["norm_text"])))

測試結果：29.52 %

📚 詳細文檔

訓練過程

• 數據使用：使用了 Common Voice 的 train、validation 和 other 數據集進行訓練，排除了同時存在於 other 和 test 數據集中的語音。
• 數據增強：將數據增強至原始大小的兩倍，添加了噪聲，並對音高、相位和強度進行了調整。
• 訓練配置：在 OVHcloud 提供的 1 個 V100 GPU 上進行了 60 個 epoch 的訓練，使用 test 數據進行驗證。
• 訓練腳本：訓練使用的腳本 點擊此處查看，該腳本改編自 transformers 倉庫提供的示例腳本。

📄 許可證

本模型使用 Apache 2.0 許可證。