Wav2vec2 Large Xlsr Sorbian

🚀 Wav2Vec2-Large-XLSR-53-索布語

本項目基於 Common Voice 數據集，對 facebook/wav2vec2-large-xlsr-53 模型進行了索布語的微調。使用該模型時，請確保語音輸入採樣率為 16kHz。

🚀 快速開始

本模型可直接使用（無需語言模型），使用時需保證語音輸入採樣率為 16kHz。

✨ 主要特性

• 語言支持：支持索布語的自動語音識別。
• 模型來源：基於 facebook 的 wav2vec2-large-xlsr-53 模型微調而來。
• 評估指標：在 Common Voice 索布語測試集上的詞錯誤率（WER）為 41.74%。

📦 安裝指南

文檔未提及具體安裝步驟，可參考 Hugging Face 相關模型的使用說明進行環境配置。

💻 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", "hsb", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("iarfmoose/wav2vec2-large-xlsr-sorbian")
model = Wav2Vec2ForCTC.from_pretrained("iarfmoose/wav2vec2-large-xlsr-sorbian")

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


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

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

chars_to_ignore_regex = '[\\\\\\\\\\\\\\\\,\\\\\\\\\\\\\\\\?\\\\\\\\\\\\\\\\.\\\\\\\\\\\\\\\\!\\\\\\\\\\\\\\\\-\\\\\\\\\\\\\\\\;\\\\\\\\\\\\\\\\:\\\\\\\\\\\\\\\\"\\\\\\\\\\\\\\\\“\\\\\\\\\\\\\\\\%\\\\\\\\\\\\\\\\‘\\\\\\\\\\\\\\\\”\\\\\\\\\\\\\\\\�\\\\\\\\\\\\\\\\–\\\\\\\\\\\\\\\\—\\\\\\\\\\\\\\\\¬\\\\\\\\\\\\\\\\⅛]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)

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)

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：41.74 %

📚 詳細文檔

訓練信息

• 訓練數據：使用了 Common Voice 的 train 和 validation 數據集進行訓練。
• 訓練腳本：可在 此處 找到訓練腳本。
• 評估腳本：評估腳本的筆記本可在 此處 找到。

🔧 技術細節

本模型基於 facebook 的 wav2vec2-large-xlsr-53 模型進行微調，使用索布語的 Common Voice 數據集進行訓練。在使用模型時，需將語音輸入的採樣率調整為 16kHz，以確保模型的正常運行。

📄 許可證

本模型使用的許可證為 Apache-2.0。

模型信息表格