Wav2vec2 Large XLSR 53 Catalan

🚀 加泰羅尼亞語XLSR Wav2Vec大模型53

本模型基於Transformer架構，在加泰羅尼亞語語音識別任務上進行了微調。它使用了Common Voice數據集進行訓練，能夠有效地將加泰羅尼亞語語音轉換為文本，為加泰羅尼亞語的自動語音識別提供了強大的支持。

🚀 快速開始

本模型是在facebook/wav2vec2-large-xlsr-53的基礎上，使用Common Voice加泰羅尼亞語數據集進行微調得到的。使用該模型時，請確保輸入的語音採樣率為16kHz。

✨ 主要特性

• 數據集：使用Common Voice數據集進行訓練。
• 評估指標：使用字錯率（WER）作為評估指標。
• 應用場景：適用於加泰羅尼亞語的自動語音識別任務。

📦 安裝指南

文檔中未提及具體安裝步驟，可參考Hugging Face相關模型的安裝說明進行安裝。

💻 使用示例

基礎用法

模型可以直接使用（不使用語言模型），示例代碼如下：

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

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

processor = Wav2Vec2Processor.from_pretrained("PereLluis13/Wav2Vec2-Large-XLSR-53-catalan")
model = Wav2Vec2ForCTC.from_pretrained("PereLluis13/Wav2Vec2-Large-XLSR-53-catalan")

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

可以在加泰羅尼亞語的Common Voice測試數據上對模型進行評估，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", "ca", split="test") 
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("PereLluis13/Wav2Vec2-Large-XLSR-53-catalan") 
model = Wav2Vec2ForCTC.from_pretrained("PereLluis13/Wav2Vec2-Large-XLSR-53-catalan") 
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"] = 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)
import jiwer

# Chunk WER computation due to memory issues, taken from https://huggingface.co/pcuenq/wav2vec2-large-xlsr-53-es
def chunked_wer(targets, predictions, chunk_size=None):                                          
    if chunk_size is None: return jiwer.wer(targets, predictions)                                
    start = 0                                                                                    
    end = chunk_size                                                                             
    H, S, D, I = 0, 0, 0, 0                                                                      
    while start < len(targets):                                                                  
        chunk_metrics = jiwer.compute_measures(targets[start:end], predictions[start:end])       
        H = H + chunk_metrics["hits"]                                                            
        S = S + chunk_metrics["substitutions"]                                                   
        D = D + chunk_metrics["deletions"]                                                       
        I = I + chunk_metrics["insertions"]                                                      
        start += chunk_size                                                                      
        end += chunk_size                                                                        
    return float(S + D + I) / float(H + S + D)

print("WER: {:2f}".format(100 * chunked_wer(result["sentence"], result["pred_strings"], chunk_size=4000)))

測試結果：8.11 %

📚 詳細文檔

免責聲明

本模型是在Common Voice 6數據集上訓練的。如果您需要一個用於自動語音識別的加泰羅尼亞語模型，建議查看 wav2vec2-xls-r-1b-ca-lm，這是一個基於CV8+數據集訓練的帶有語言模型的10億參數模型，性能更好；或者 wav2vec2-xls-r-300m-ca-lm，該模型與本模型大小相同（3億參數），但在CV8+數據集上訓練並使用了相同的語言模型。

訓練過程

使用了Common Voice的train和validation數據集進行訓練。在第二個訓練週期，由於內存問題停止了訓練，隨後以較小的批次大小繼續訓練，但累積梯度步數進行了調整，以確保在整個訓練過程中批次大小相當於32。然後，模型又額外訓練了10個週期，其中一半的男性樣本進行了升調處理。

訓練使用的腳本可以在這裡找到。為了加快訓練過程中按長度排序的速度，對腳本進行了一些小的修改，修改內容可以在這裡找到。另一個為加泰羅尼亞語訓練的版本可以在這裡找到，由於它使用了額外的數據並進行了更長時間的訓練，可能比本模型表現更好。不過，由於它使用了包含部分Common Voice測試集的不同分割，本版本可以用於在Common Voice數據集上獲取基線結果。

🔧 技術細節

本模型基於facebook/wav2vec2-large-xlsr-53進行微調，使用了Common Voice加泰羅尼亞語數據集進行訓練。在訓練過程中，使用了字錯率（WER）作為評估指標，以評估模型在語音識別任務上的性能。

📄 許可證

本模型使用Apache 2.0許可證。

信息表格