Vakyansh Wav2vec2 Hindi Him 4200

🚀 Wav2Vec2 Vakyansh印地語模型

本模型是用於自動語音識別的預訓練模型，在多語言預訓練模型上微調而來，可直接用於印地語語音識別任務。

🚀 快速開始

你可以通過以下鏈接查看模型的相關演示和使用方法：

• 模型空間演示
• Colab演示
• Colab評估

✨ 主要特性

• 基於多語言預訓練模型 CLSRIL - 23 進行微調。
• 可直接用於印地語語音識別，無需語言模型。
• 在4200小時的印地語標註數據上進行訓練。

📦 安裝指南

文檔未提及具體安裝步驟，可參考相關依賴庫的安裝方式，確保環境中安裝了 soundfile、torch、transformers、datasets、torchaudio 等庫。

💻 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-hindi-him-4200")
    model = Wav2Vec2ForCTC.from_pretrained("Harveenchadha/vakyansh-wav2vec2-hindi-him-4200")

    # 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", "hi", split="test")
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("Harveenchadha/vakyansh-wav2vec2-hindi-him-4200")
model = Wav2Vec2ForCTC.from_pretrained("Harveenchadha/vakyansh-wav2vec2-hindi-him-4200")
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

預訓練模型

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

注意：此模型的結果未使用語言模型，因此在某些情況下可能會出現較高的字錯率（WER）。

數據集

該模型在4200小時的印地語標註數據上進行訓練，目前這些標註數據未公開。

訓練腳本

模型使用Ekstep的Vakyansh團隊搭建的實驗平臺進行訓練，訓練倉庫可查看 [這裡](https://github.com/Open - Speech - EkStep/vakyansh - wav2vec2 - experimentation)。如果你想查看在wandb上的訓練日誌，可點擊 [此處](https://wandb.ai/harveenchadha/hindi_finetuning_multilingual?workspace=user - harveenchadha)。

評估

在Common Voice的印地語測試數據上對模型進行評估，測試結果的字錯率（WER）為33.17%。

🔧 技術細節

模型基於Wav2Vec2架構，在多語言預訓練模型基礎上針對印地語語音識別任務進行微調。使用 Wav2Vec2ForCTC 進行語音識別，Wav2Vec2Processor 進行音頻預處理和轉錄結果解碼。評估指標採用字錯率（WER）。

📄 許可證

本模型採用MIT許可證。

信息表格

常用提示信息

⚠️ 重要提示

使用此模型時，確保語音輸入的採樣率為16kHz。模型結果未使用語言模型，可能會出現較高的WER。

💡 使用建議

在使用模型進行語音識別時，可根據實際需求考慮是否結合語言模型以降低WER。

致謝

感謝Ekstep基金會使該項目成為可能，Vakyansh團隊將開源所有印度語言的語音模型。