Wav2vec2 Large Xlsr 53 Sw

🚀 斯瓦希里語Wav2Vec2-Large-XLSR-53模型

本項目是在斯瓦希里語數據集上對 facebook/wav2vec2-large-xlsr-53 模型進行微調得到的語音識別模型，可有效處理斯瓦希里語語音數據，為斯瓦希里語的自動語音識別提供解決方案。

🚀 快速開始

使用此模型時，請確保輸入的語音採樣率為 16kHz。

✨ 主要特性

• 多數據集訓練：使用了多個斯瓦希里語數據集進行訓練，包括 ALFFA、Gamayun 和 IWSLT，保證了模型的泛化能力。
• 高精度識別：在測試集上取得了 40% 的字錯率（WER），具有較高的識別精度。

📦 安裝指南

文檔未提及安裝步驟，暫不展示。

💻 使用示例

基礎用法

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

processor = Wav2Vec2Processor.from_pretrained("alokmatta/wav2vec2-large-xlsr-53-sw")

model = Wav2Vec2ForCTC.from_pretrained("alokmatta/wav2vec2-large-xlsr-53-sw").to("cuda")

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

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

def load_file_to_data(file):
    batch = {}
    speech, _ = torchaudio.load(file)
    batch["speech"] = resampler.forward(speech.squeeze(0)).numpy()
    batch["sampling_rate"] = resampler.new_freq
    return batch

def predict(data):
    features = processor(data["speech"], sampling_rate=data["sampling_rate"], padding=True, return_tensors="pt")
    input_values = features.input_values.to("cuda")
    attention_mask = features.attention_mask.to("cuda")
    with torch.no_grad():
        logits = model(input_values, attention_mask=attention_mask).logits
    pred_ids = torch.argmax(logits, dim=-1)
    return processor.batch_decode(pred_ids)

predict(load_file_to_data('./demo.wav'))

高級用法

文檔未提及高級用法示例，暫不展示。

📚 詳細文檔

模型評估結果

🔧 技術細節

文檔未提及技術實現細節，暫不展示。

📄 許可證

本模型使用 Apache - 2.0 許可證。