Wav2vec2 Large Xlsr Mongolian

🚀 Wav2Vec2-Large-XLSR-53-蒙古語

本項目基於Common Voice數據集，對蒙古語數據微調了facebook/wav2vec2-large-xlsr-53模型。使用此模型時，請確保輸入的語音採樣率為16kHz。

🚀 快速開始

本模型可直接使用（無需語言模型），具體使用方法如下。

💻 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", "mn", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("bayartsogt/wav2vec2-large-xlsr-mongolian")
model = Wav2Vec2ForCTC.from_pretrained("bayartsogt/wav2vec2-large-xlsr-mongolian")

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

# Preprocessing the datasets.
# We need to read the aduio 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["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", "mn", split="test")
wer = load_metric("wer")

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

chars_to_ignore_regex = '[\\,\\?\\.\\!\\-\\;\\:\\\"\\“\\%\\‘\\”\\�\\'h\\«\\»]'

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

# Preprocessing the datasets.
# We need to read the aduio files as arrays
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)

# Preprocessing the datasets.
# We need to read the aduio files as arrays
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"])))

評估結果

測試結果：45.82%

📚 詳細文檔

模型信息

模型索引

• 名稱：XLSR Wav2Vec2 Mongolian by Bayartsogt
• 結果：
  • 任務：
    • 名稱：語音識別
    • 類型：自動語音識別
  • 數據集：
    • 名稱：Common Voice mn
    • 類型：Common Voice
    • 參數：mn
  • 指標：
    • 名稱：測試字錯率（Test WER）
    • 類型：字錯率（WER）
    • 值：45.82

訓練信息

❌ 使用了Common Voice的train、validation等數據集進行訓練，以及...和... # TODO: 補充所有用於訓練的數據集。 ❌ 訓練腳本可在此處找到 # TODO: 填寫訓練腳本的鏈接。如果在Colab中訓練模型，直接填寫鏈接；如果在本地訓練，建議將訓練腳本上傳到GitHub並粘貼鏈接。

📄 許可證

本項目採用Apache-2.0許可證。