🚀 wav2vec2-large-xlsr-53-格魯吉亞語
該項目基於 facebook/wav2vec2-large-xlsr-53 模型,使用 Common Voice 數據集針對格魯吉亞語進行了微調。此模型可用於格魯吉亞語的自動語音識別任務,為相關語音處理場景提供支持。
重要信息表格
屬性 |
詳情 |
模型類型 |
語音識別模型 |
訓練數據 |
Common Voice 數據集的格魯吉亞語部分 |
許可證 |
Apache-2.0 |
🚀 快速開始
使用此模型時,請確保語音輸入的採樣率為 16kHz。
✨ 主要特性
- 基於預訓練的 wav2vec2-large-xlsr-53 模型,針對格魯吉亞語進行微調。
- 可直接用於格魯吉亞語的自動語音識別任務。
📦 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,確保安裝 torch
、torchaudio
、datasets
、transformers
等依賴庫。
💻 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", "ka", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("MehdiHosseiniMoghadam/wav2vec2-large-xlsr-53-Georgian")
model = Wav2Vec2ForCTC.from_pretrained("MehdiHosseiniMoghadam/wav2vec2-large-xlsr-53-Georgian")
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])
高級用法
import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re
test_dataset = load_dataset("common_voice", "ka", split="test")
wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("MehdiHosseiniMoghadam/wav2vec2-large-xlsr-53-Georgian")
model = Wav2Vec2ForCTC.from_pretrained("MehdiHosseiniMoghadam/wav2vec2-large-xlsr-53-Georgian")
model.to("cuda")
chars_to_ignore_regex = '[\\,\\?\\.\\!\\-\\;\\:\\\"\\“]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)
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)
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"])))
🔧 技術細節
- 評估結果:在 Common Voice 的格魯吉亞語測試數據上,該模型的字錯率(WER)為 60.504024 %。
- 訓練數據:使用了 Common Voice 數據集的
train
和 validation
子集進行訓練。
📄 許可證
本項目採用 Apache-2.0 許可證。