🚀 Wav2Vec2-Large-XLSR-印尼語模型
本模型是基於 facebook/wav2vec2-large-xlsr-53 在 印尼人工通用語音數據集 上進行微調得到的。使用該模型時,請確保輸入的語音採樣率為 16kHz。
🔍 模型信息
屬性 |
詳情 |
模型類型 |
XLSR Wav2Vec2 印尼語模型(由 Cahya 基於人工語音微調) |
訓練數據 |
印尼人工通用語音數據集 |
評估指標 |
字錯率(WER) |
許可證 |
Apache-2.0 |
🏆 評估結果
任務 |
數據集 |
指標 |
值 |
語音識別 |
通用語音印尼語測試集 |
測試字錯率(WER) |
51.69% |
🚀 快速開始
📦 安裝指南
本項目依賴於多個 Python 庫,你可以使用以下命令進行安裝:
pip install torch torchaudio datasets transformers
💻 使用示例
基礎用法
模型可以直接使用(無需語言模型),示例代碼如下:
import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
test_dataset = load_dataset("common_voice", "id", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("cahya/wav2vec2-large-xlsr-indonesian")
model = Wav2Vec2ForCTC.from_pretrained("cahya/wav2vec2-large-xlsr-indonesian")
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[: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[:2]["sentence"])
🔧 評估模型
可以在通用語音的印尼語測試數據上按如下方式評估模型:
import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re
test_dataset = load_dataset("common_voice", "id", split="test")
wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("cahya/wav2vec2-large-xlsr-indonesian")
model = Wav2Vec2ForCTC.from_pretrained("cahya/wav2vec2-large-xlsr-indonesian")
model.to("cuda")
chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“\%\‘\'\”\�]'
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:51.69 %
🛠️ 訓練模型
訓練使用了人工通用語音的 train
、validation
等數據集。訓練腳本可在 此處 找到(即將發佈)。
📄 許可證
本模型採用 Apache-2.0 許可證。