Wav2vec2 Base Vn 270h

🚀 Wav2Vec2-Base-Vietnamese-270h

本項目是在越南語語音識別任務上微調的Wav2Vec2模型，使用了約270小時來自多個數據集的標註數據，包括Common Voice、VIVOS和VLSP2020。該模型使用SpeechBrain工具包和自定義分詞器進行微調。為獲得更好的使用體驗，建議您進一步瞭解SpeechBrain。

🚀 快速開始

使用此模型時，請確保您的語音輸入採樣率為16kHz。有關如何在特定語言上微調Wav2Vec2模型的詳細信息，請參考huggingface博客或speechbrain。

✨ 主要特性

• 基於Wav2Vec2模型在越南語語音識別任務上進行微調。
• 使用多個數據集的約270小時標註數據進行訓練。
• 採用SpeechBrain工具包和自定義分詞器。

📦 安裝指南

要使用此模型，您需要安裝版本大於0.5.10的SpeechBrain：

# 安裝SpeechBrain
pip install speechbrain > 0.5.10

💻 使用示例

基礎用法

該模型可以直接（不使用語言模型）按以下方式使用：

from speechbrain.pretrained import EncoderASR

model = EncoderASR.from_hparams(source="dragonSwing/wav2vec2-base-vn-270h", savedir="pretrained_models/asr-wav2vec2-vi")
model.transcribe_file('dragonSwing/wav2vec2-base-vn-270h/example.mp3')
# Output: được hồ chí minh coi là một động lực lớn của sự phát triển đất nước

高級用法

在GPU上進行推理

要在GPU上進行推理，在調用from_hparams方法時添加run_opts={"device":"cuda"}：

from speechbrain.pretrained import EncoderASR

model = EncoderASR.from_hparams(source="dragonSwing/wav2vec2-base-vn-270h", savedir="pretrained_models/asr-wav2vec2-vi", run_opts={"device":"cuda"})
model.transcribe_file('dragonSwing/wav2vec2-base-vn-270h/example.mp3')

模型評估

該模型可以在Common Voice 8.0的越南語測試數據上按以下方式進行評估：

import torch
import torchaudio
from datasets import load_dataset, load_metric, Audio
from transformers import Wav2Vec2FeatureExtractor
from speechbrain.pretrained import EncoderASR
import re
test_dataset = load_dataset("mozilla-foundation/common_voice_8_0", "vi", split="test", use_auth_token=True)
test_dataset = test_dataset.cast_column("audio", Audio(sampling_rate=16_000))
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
wer = load_metric("wer")
extractor = Wav2Vec2FeatureExtractor.from_pretrained("dragonSwing/wav2vec2-base-vn-270h")
model = EncoderASR.from_hparams(source="dragonSwing/wav2vec2-base-vn-270h", savedir="pretrained_models/asr-wav2vec2-vi", run_opts={'device': device})
chars_to_ignore_regex = r'[,?.!\-;:"“%\'�]'
# Preprocessing the datasets.
# We need to read the audio files as arrays
def speech_file_to_array_fn(batch):
  audio = batch["audio"]
  batch["target_text"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
  batch['speech'] = audio['array']
  return batch
test_dataset = test_dataset.map(speech_file_to_array_fn)

def evaluate(batch):
  # For padding inputs only
  inputs = extractor(
    batch['speech'], 
    sampling_rate=16000, 
    return_tensors="pt", 
    padding=True, 
    do_normalize=False
  ).input_values
  input_lens = torch.ones(inputs.shape[0])
  pred_str, pred_tokens = model.transcribe_batch(inputs, input_lens)
  batch["pred_strings"] = pred_str
  
  return batch
result = test_dataset.map(evaluate, batched=True, batch_size=1)
print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["target_text"])))

測試結果：12.155553%

📚 詳細文檔

基準WER結果

語言模型使用OSCAR數據集，基於約32GB的爬取文本進行訓練。

信息表格

引用

@misc{SB2021,
    author = {Ravanelli, Mirco and Parcollet, Titouan and Rouhe, Aku and Plantinga, Peter and Rastorgueva, Elena and Lugosch, Loren and Dawalatabad, Nauman and Ju-Chieh, Chou and Heba, Abdel and Grondin, Francois and Aris, William and Liao, Chien-Feng and Cornell, Samuele and Yeh, Sung-Lin and Na, Hwidong and Gao, Yan and Fu, Szu-Wei and Subakan, Cem and De Mori, Renato and Bengio, Yoshua },
    title = {SpeechBrain},
    year = {2021},
    publisher = {GitHub},
    journal = {GitHub repository},
    howpublished = {\\\\url{https://github.com/speechbrain/speechbrain}},
  }

關於SpeechBrain

SpeechBrain是一個開源的一體化語音工具包，設計簡單、極其靈活且用戶友好，在多個領域取得了有競爭力或領先的性能。

• 官網：https://speechbrain.github.io
• GitHub：https://github.com/speechbrain/speechbrain

📄 許可證

本項目採用CC BY-NC 4.0許可證。