🚀 愛沙尼亞語XLSR Wav2Vec2大模型53
本項目是在愛沙尼亞語上使用通用語音數據集對facebook/wav2vec2-large-xlsr-53進行微調後的模型。使用該模型時,請確保語音輸入的採樣率為16kHz。
模型信息
屬性 |
詳情 |
模型類型 |
語音識別模型 |
訓練數據 |
通用語音(Common Voice)愛沙尼亞語數據集 |
評估指標 |
詞錯誤率(WER) |
許可證 |
Apache 2.0 |
模型評估結果
任務 |
數據集 |
評估指標 |
數值 |
語音識別 |
通用語音愛沙尼亞語測試集 |
測試詞錯誤率(Test WER) |
30.74% |
🚀 快速開始
✨ 主要特性
- 基於預訓練的
facebook/wav2vec2-large-xlsr-53
模型,在愛沙尼亞語上進行微調,適用於愛沙尼亞語的自動語音識別任務。
- 可直接使用,無需語言模型。
📦 安裝指南
文檔未提及具體安裝步驟,可參考Hugging Face相關庫的安裝方式,安裝torch
、torchaudio
、datasets
、transformers
等庫。
💻 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", "et", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("anton-l/wav2vec2-large-xlsr-53-estonian")
model = Wav2Vec2ForCTC.from_pretrained("anton-l/wav2vec2-large-xlsr-53-estonian")
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])
評估模型
import torch
import torchaudio
import urllib.request
import tarfile
import pandas as pd
from tqdm.auto import tqdm
from datasets import load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
data_url = "https://voice-prod-bundler-ee1969a6ce8178826482b88e843c335139bd3fb4.s3.amazonaws.com/cv-corpus-6.1-2020-12-11/et.tar.gz"
filestream = urllib.request.urlopen(data_url)
data_file = tarfile.open(fileobj=filestream, mode="r|gz")
data_file.extractall()
wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("anton-l/wav2vec2-large-xlsr-53-estonian")
model = Wav2Vec2ForCTC.from_pretrained("anton-l/wav2vec2-large-xlsr-53-estonian")
model.to("cuda")
cv_test = pd.read_csv("cv-corpus-6.1-2020-12-11/et/test.tsv", sep='\t')
clips_path = "cv-corpus-6.1-2020-12-11/et/clips/"
def clean_sentence(sent):
sent = sent.lower()
sent = sent.replace("’", "'")
sent = "".join(ch if ch.isalpha() or ch == "'" else " " for ch in sent)
sent = " ".join(sent.split())
return sent
targets = []
preds = []
for i, row in tqdm(cv_test.iterrows(), total=cv_test.shape[0]):
row["sentence"] = clean_sentence(row["sentence"])
speech_array, sampling_rate = torchaudio.load(clips_path + row["path"])
resampler = torchaudio.transforms.Resample(sampling_rate, 16_000)
row["speech"] = resampler(speech_array).squeeze().numpy()
inputs = processor(row["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)
targets.append(row["sentence"])
preds.append(processor.batch_decode(pred_ids)[0])
print("WER: {:2f}".format(100 * wer.compute(predictions=preds, references=targets)))
測試結果:30.74 %
訓練信息
- 訓練數據:使用了通用語音(Common Voice)的
train
和validation
數據集進行訓練。
- 訓練腳本:訓練使用的腳本可在此處找到。
📄 許可證
本項目採用Apache 2.0許可證。