Wav2vec2 Large Xlsr 53 Turkish

🚀 Wav2Vec2-Large-XLSR-53-土耳其語模型

本模型基於 facebook/wav2vec2-large-xlsr-53，使用 Common Voice 數據集針對土耳其語進行了微調。使用該模型時，請確保輸入的語音採樣率為 16kHz。

🚀 快速開始

✨ 主要特性

• 適用任務：自動語音識別。
• 訓練數據：採用 Common Voice 土耳其語數據集。
• 評估指標：詞錯誤率（WER），測試集 WER 為 17.46%。

📦 安裝指南

文檔未提及具體安裝步驟，可參考 Hugging Face 相關模型的通用安裝方式。

💻 使用示例

基礎用法

import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
from unicode_tr import unicode_tr

test_dataset = load_dataset("common_voice", "tr", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("aniltrkkn/wav2vec2-large-xlsr-53-turkish")
model = Wav2Vec2ForCTC.from_pretrained("aniltrkkn/wav2vec2-large-xlsr-53-turkish")

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])

📚 詳細文檔

評估

該模型可在 Common Voice 土耳其語測試數據上進行評估，示例代碼如下：

import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re

test_dataset = load_dataset("common_voice", "tr", split="test")
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("aniltrkkn/wav2vec2-large-xlsr-53-turkish")
model = Wav2Vec2ForCTC.from_pretrained("aniltrkkn/wav2vec2-large-xlsr-53-turkish")
model.to("cuda")

chars_to_ignore_regex = '[\\,\\?\\.\\!\\-\\;\\:\\\"\\“]'
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"] = str(unicode_tr(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"])))

測試結果：17.46 %

訓練

由於常規的 lower() 函數在處理土耳其語時效果不佳，因此使用 unicode_tr 包將句子轉換為小寫。

鑑於土耳其語的訓練數據非常有限，採用 K 折（k = 5）訓練方法使用所有數據進行訓練，並上傳 5 次訓練中表現最佳的模型。訓練參數如下：

--num_train_epochs="30" 
--per_device_train_batch_size="32" 
--evaluation_strategy="steps" 
--activation_dropout="0.055" 
--attention_dropout="0.094" 
--feat_proj_dropout="0.04" 
--hidden_dropout="0.047" 
--layerdrop="0.041" 
--learning_rate="2.34e-4" 
--mask_time_prob="0.082" 
--warmup_steps="250" 

使用 GeForce RTX 3090 顯卡，每次訓練大約需要 20 小時。

🔧 技術細節

• 模型微調：基於 facebook/wav2vec2-large-xlsr-53 模型在土耳其語上進行微調。
• 數據處理：使用 unicode_tr 包處理土耳其語大小寫轉換，以解決常規 lower() 函數的不足。
• 訓練策略：採用 K 折（k = 5）訓練方法，充分利用有限的訓練數據。

📄 許可證

本模型使用 Apache 2.0 許可證。

信息表格