🚀 Wav2Vec2-Large-XLSR-53-ncj/nah
本项目是在纳瓦特尔语(特别是普埃布拉北部的方言,代码为ncj)上对 facebook/wav2vec2-large-xlsr-53 进行微调得到的模型。训练使用了 SLR92 的衍生数据集,以及来自 Common Voice 的 es
和 de
数据集的部分样本。该模型可用于自动语音识别任务,为语音相关研究和应用提供支持。
✨ 主要特性
- 语言针对性强:针对纳瓦特尔语(普埃布拉北部方言)进行微调,更适合该特定语言场景。
- 多数据集融合:结合了 SLR92 的衍生数据集以及 Common Voice 中的
es
和 de
数据集样本,丰富了训练数据。
- 评估指标明确:使用词错误率(WER)作为评估指标,便于衡量模型性能。
📦 安装指南
文档未提供具体安装步骤,暂不展示。
💻 使用示例
基础用法
import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
test_dataset = load_dataset("common_voice", "{lang_id}", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("tyoc213/wav2vec2-large-xlsr-nahuatl")
model = Wav2Vec2ForCTC.from_pretrained("tyoc213/wav2vec2-large-xlsr-nahuatl")
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])
高级用法
import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re
test_dataset = load_dataset("common_voice", "{lang_id}", split="test")
wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("tyoc213/wav2vec2-large-xlsr-nahuatl")
model = Wav2Vec2ForCTC.from_pretrained("tyoc213/wav2vec2-large-xlsr-nahuatl")
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"])))
📚 详细文档
模型信息
属性 |
详情 |
模型类型 |
基于Wav2Vec2-Large-XLSR-53在纳瓦特尔语上微调的自动语音识别模型 |
训练数据 |
基于 SLR92 的衍生数据集,以及来自 Common Voice 的 es 和 de 数据集的部分样本 |
评估结果
测试结果:词错误率(WER)为 50.95 %
训练信息
训练使用了 SLR92 的衍生数据集(即将发布),以及来自 Common Voice 的 es
和 de
数据集的部分样本。训练脚本可在 less60wer.ipynb 中找到。
📄 许可证
本项目采用 Apache-2.0 许可证。