Wav2vec2 Large Xlsr 53 Finnish

🚀 Wav2Vec2-Large-XLSR-53-芬蘭語模型

本項目基於 facebook/wav2vec2-large-xlsr-53 模型，使用 Common Voice、CSS10 芬蘭語 和 芬蘭議會會議 2 數據集對其進行了芬蘭語微調。使用該模型時，請確保語音輸入的採樣率為 16kHz。

⚠️ 重要提示

這是一箇舊模型，請勿再使用！我們的組織中心有很多更好的新模型：Finnish-NLP/wav2vec2-xlsr-1b-finnish-lm-v2 和 Finnish-NLP/wav2vec2-xlsr-300m-finnish-lm

🚀 快速開始

環境準備

確保你已經安裝了必要的庫，如 librosa、torch、torchaudio、datasets 和 transformers。

使用步驟

以下是直接使用該模型（不使用語言模型）的示例代碼：

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

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

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

resampler = lambda sr, y: librosa.resample(y.numpy().squeeze(), sr, 16_000)

# Preprocessing the datasets.
# We need to read the audio files as arrays
def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler(sampling_rate, speech_array).squeeze()
    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])

💻 使用示例

基礎用法

上述快速開始部分的代碼即為基礎用法示例，它展示瞭如何直接使用模型進行語音識別。

高級用法

以下是在芬蘭語測試數據上評估模型的示例代碼：

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

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

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

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“\%\‘\”\�\'\...\…\–\é]'
resampler = lambda sr, y: librosa.resample(y.numpy().squeeze(), sr, 16_000)

# Preprocessing the datasets.
# We need to read the audio 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(sampling_rate, speech_array).squeeze()
  return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)

# Preprocessing the datasets.
# We need to read the audio 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：32.378771 %

🔧 技術細節

訓練數據

訓練使用了 Common Voice 的 train、validation 和 other 數據集，以及 CSS10 芬蘭語 和 芬蘭議會會議 2 數據集。

訓練腳本

訓練使用的腳本可以從 Google Colab 找到。

📄 許可證

本項目採用 Apache-2.0 許可證。