Wav2vec2 Base Vietnamese 160h

🚀 越南語語音識別（使用Wav2vec 2.0）

本項目基於Wav2vec 2.0模型，在約160小時的越南語語音數據集上進行微調，實現越南語語音識別。即使未引入語言模型，也取得了不錯的效果。

🚀 快速開始

模型描述

在來自不同資源的約160小時越南語語音數據集上微調基於Wav2vec2的模型，這些數據集包括 VIOS、COMMON VOICE、FOSD 和 VLSP 100h。目前尚未將語言模型集成到自動語音識別（ASR）系統中，但仍獲得了可觀的結果。

實現方式

我們還提供了Wav2vec2模型的預訓練和微調代碼。如果您想在自己的數據集上進行訓練，可以查看以下鏈接：

• 預訓練代碼
• 微調代碼

✨ 主要特性

• 基於Wav2vec 2.0模型進行越南語語音識別。
• 提供預訓練和微調代碼，方便在自定義數據集上訓練。

📦 安裝指南

文檔未提供具體安裝步驟，可參考代碼倉庫中的依賴說明進行安裝。

💻 使用示例

基礎用法

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
import librosa
import torch

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

processor = Wav2Vec2Processor.from_pretrained("khanhld/wav2vec2-base-vietnamese-160h")
model = Wav2Vec2ForCTC.from_pretrained("khanhld/wav2vec2-base-vietnamese-160h")
model.to(device)

def transcribe(wav):
  input_values = processor(wav, sampling_rate=16000, return_tensors="pt").input_values
  logits = model(input_values.to(device)).logits
  pred_ids = torch.argmax(logits, dim=-1)
  pred_transcript = processor.batch_decode(pred_ids)[0]
  return pred_transcript


wav, _ = librosa.load('path/to/your/audio/file', sr = 16000)
print(f"transcript: {transcribe(wav)}")

高級用法

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
from datasets import load_dataset
import torch
import re
from datasets import load_dataset, load_metric, Audio

wer = load_metric("wer")
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# load processor and model
processor = Wav2Vec2Processor.from_pretrained("khanhld/wav2vec2-base-vietnamese-160h")
model = Wav2Vec2ForCTC.from_pretrained("khanhld/wav2vec2-base-vietnamese-160h")
model.to(device)
model.eval()

# Load dataset
test_dataset = load_dataset("mozilla-foundation/common_voice_8_0", "vi", split="test", use_auth_token="your_huggingface_auth_token")
test_dataset = test_dataset.cast_column("audio", Audio(sampling_rate=16000))
chars_to_ignore = r'[,?.!\-;:"“%\'�]' # ignore special characters

# preprocess data
def preprocess(batch):
  audio = batch["audio"]
  batch["input_values"] = audio["array"]
  batch["transcript"] = re.sub(chars_to_ignore, '', batch["sentence"]).lower()
  return batch

# run inference
def inference(batch):
  input_values = processor(batch["input_values"], 
                            sampling_rate=16000, 
                            return_tensors="pt").input_values
  logits = model(input_values.to(device)).logits
  pred_ids = torch.argmax(logits, dim=-1)
  batch["pred_transcript"] = processor.batch_decode(pred_ids) 
  return batch
  
test_dataset = test_dataset.map(preprocess)
result = test_dataset.map(inference, batched=True, batch_size=1)
print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_transcript"], references=result["transcript"])))

測試結果：10.78%

📚 詳細文檔

基準字錯率（WER）結果

評估

可通過上述高級用法中的代碼對模型進行評估，測試結果的字錯率（WER）為10.78%。

🔧 技術細節

文檔未提供詳細技術細節。

📄 許可證

本項目採用 CC-BY-NC-4.0 許可證。

📖 引用

如果您使用了本項目的代碼或模型，請引用以下文獻：

@mics{Duy_Khanh_Finetune_Wav2vec_2_0_2022,
  author = {Duy Khanh, Le},
  doi = {10.5281/zenodo.6542357},
  license = {CC-BY-NC-4.0},
  month = {5},
  title = {{Finetune Wav2vec 2.0 For Vietnamese Speech Recognition}},
  url = {https://github.com/khanld/ASR-Wa2vec-Finetune},
  year = {2022}
}

📞 聯繫我們

如果您有任何問題或建議，可以通過以下方式聯繫我們：

• 郵箱：khanhld218@gmail.com
• GitHub
• LinkedIn