Wav2vec2 Large Xlsr 53 Punjabi

🚀 wav2vec2-large-xlsr-53-punjabi

本模型是基於Harveenchadha/vakyansh-wav2vec2-punjabi-pam-10在common_voice數據集上進行微調的版本。它在評估集上取得了以下結果：

• 損失：1.2101
• 字錯率（Wer）：0.4939
• 字符錯誤率（Cer）：0.2238

🚀 快速開始

評估命令

1. 在mozilla-foundation/common_voice_8_0數據集的test分割上進行評估：

python eval.py --model_id kingabzpro/wav2vec2-large-xlsr-53-punjabi --dataset mozilla-foundation/common_voice_8_0 --config pa-IN --split test

帶語言模型的推理

import torch
from datasets import load_dataset
from transformers import AutoModelForCTC, AutoProcessor
import torchaudio.functional as F
model_id = "kingabzpro/wav2vec2-large-xlsr-53-punjabi"
sample_iter = iter(load_dataset("mozilla-foundation/common_voice_8_0", "pa-IN", split="test", streaming=True, use_auth_token=True))
sample = next(sample_iter)
resampled_audio = F.resample(torch.tensor(sample["audio"]["array"]), 48_000, 16_000).numpy()
model = AutoModelForCTC.from_pretrained(model_id)
processor = AutoProcessor.from_pretrained(model_id)
input_values = processor(resampled_audio, return_tensors="pt").input_values
with torch.no_grad():
    logits = model(input_values).logits
transcription = processor.batch_decode(logits.numpy()).text

✨ 主要特性

• 基於預訓練模型Harveenchadha/vakyansh-wav2vec2-punjabi-pam-10進行微調，適用於旁遮普語的自動語音識別任務。
• 在mozilla-foundation/common_voice_8_0數據集上進行訓練和評估，具有一定的泛化能力。

📦 安裝指南

文檔中未提及安裝相關內容，若有需要可根據使用的框架（如transformers、datasets等）進行安裝，例如使用pip安裝：

pip install transformers datasets torchaudio

💻 使用示例

基礎用法

上述“帶語言模型的推理”部分的代碼即為基礎的使用示例，通過加載模型和處理器，對音頻數據進行重採樣後進行推理，得到轉錄結果。

高級用法

文檔中未提及高級用法相關內容，可根據具體需求對模型進行進一步的調整和優化，例如調整推理時的參數、結合其他模型等。

📚 詳細文檔

模型信息

評估結果

訓練超參數

• 學習率：0.0003
• 訓練批次大小：16
• 評估批次大小：8
• 隨機種子：42
• 梯度累積步數：2
• 總訓練批次大小：32
• 優化器：Adam（β1 = 0.9，β2 = 0.999，ε = 1e-08）
• 學習率調度器類型：線性
• 學習率調度器預熱步數：200
• 訓練輪數：30
• 混合精度訓練：Native AMP

訓練結果

框架版本

• Transformers 4.17.0.dev0
• Pytorch 1.10.2+cu102
• Datasets 1.18.2.dev0
• Tokenizers 0.11.0

📄 許可證

本模型使用Apache-2.0許可證。