Vakyansh Wav2vec2 Tamil Tam 250

🚀 Wav2Vec2 Vakyansh泰米爾語模型

本模型基於多語言預訓練模型進行微調，用於自動語音識別任務，能將泰米爾語語音準確轉錄為文本，在相關測試集上有一定的表現。

🚀 快速開始

本模型在多語言預訓練模型 CLSRIL - 23 上進行了微調。原始的fairseq檢查點可在 [此處](https://github.com/Open - Speech - EkStep/vakyansh - models) 找到。使用此模型時，請確保您的語音輸入採樣率為16kHz。

⚠️ 重要提示

該模型的結果未使用語言模型，因此在某些情況下您可能會看到較高的字錯率（WER）。

✨ 主要特性

• 多語言預訓練基礎：基於多語言預訓練模型 CLSRIL - 23 微調，具備更廣泛的語言適應性。
• 特定語言優化：針對泰米爾語進行訓練，能更好地處理該語言的語音識別任務。

📦 安裝指南

文檔未提及具體安裝步驟，暫不提供。

💻 使用示例

基礎用法

import soundfile as sf
import torch
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import argparse

def parse_transcription(wav_file):
    # load pretrained model
    processor = Wav2Vec2Processor.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")
    model = Wav2Vec2ForCTC.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")

    # load audio
    audio_input, sample_rate = sf.read(wav_file)

    # pad input values and return pt tensor
    input_values = processor(audio_input, sampling_rate=sample_rate, return_tensors="pt").input_values

    # INFERENCE
    # retrieve logits & take argmax
    logits = model(input_values).logits
    predicted_ids = torch.argmax(logits, dim=-1)

    # transcribe
    transcription = processor.decode(predicted_ids[0], skip_special_tokens=True)
    print(transcription)

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", "ta", split="test")
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")
model = Wav2Vec2ForCTC.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")
model.to("cuda")

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

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“]'

# 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")).logits

      pred_ids = torch.argmax(logits, dim=-1)
      batch["pred_strings"] = processor.batch_decode(pred_ids, skip_special_tokens=True)
      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"])))

📚 詳細文檔

數據集

本模型在4200小時的印地語標註數據上進行了訓練。截至目前，這些標註數據並未公開。

訓練腳本

模型使用Ekstep的Vakyansh團隊搭建的實驗平臺進行訓練。訓練倉庫可在 [此處](https://github.com/Open - Speech - EkStep/vakyansh - wav2vec2 - experimentation) 找到。

如果您想查看在wandb上的訓練日誌，可訪問 [此處](https://wandb.ai/harveenchadha/tamil - finetuning - multilingual)。

模型評估

在Common Voice的印地語測試數據上，可按上述高級用法中的代碼對模型進行評估。

測試結果：53.64 %

Colab評估

模型索引

🔧 技術細節

本模型基於多語言預訓練模型 CLSRIL - 23 進行微調，原始的fairseq檢查點可在 [此處](https://github.com/Open - Speech - EkStep/vakyansh - models) 找到。訓練過程使用了4200小時的印地語標註數據，通過特定的實驗平臺和訓練腳本完成訓練。

📄 許可證

本模型採用MIT許可證。

致謝

感謝Ekstep基金會使該模型的開發成為可能。Vakyansh團隊將開源所有印度語言的語音模型。