🚀 Wav2Vec2-Large-XLSR-53-马拉地语
该项目基于Open SLR64数据集,对facebook/wav2vec2-large-xlsr-53模型进行微调,使其适用于马拉地语语音识别。使用该模型时,请确保输入语音的采样率为16kHz。此数据集仅包含女性语音,但模型对男性语音也有良好的识别效果。模型在Google Colab Pro的Tesla P100 16GB GPU上进行训练。
模型信息
属性 |
详情 |
模型类型 |
基于Wav2Vec2-Large-XLSR-53微调的马拉地语语音识别模型 |
训练数据 |
Open SLR64马拉地语数据集 |
评估指标 |
词错误率(WER) |
基础模型 |
facebook/wav2vec2-large-xlsr-53 |
测试集WER |
12.70 % |
🚀 快速开始
环境准备
确保你的环境中安装了torch
、torchaudio
和transformers
库。
代码示例
以下是如何直接使用该模型进行语音识别的示例代码:
import torch, torchaudio
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
mr_test_dataset = all_data['test']
processor = Wav2Vec2Processor.from_pretrained("sumedh/wav2vec2-large-xlsr-marathi")
model = Wav2Vec2ForCTC.from_pretrained("sumedh/wav2vec2-large-xlsr-marathi")
resampler = torchaudio.transforms.Resample(48_000, 16_000)
def speech_file_to_array_fn(batch):
speech_array, sampling_rate = torchaudio.load(batch["path_in_folder"])
batch["speech"] = resampler(speech_array).squeeze().numpy()
return batch
mr_test_dataset = mr_test_dataset.map(speech_file_to_array_fn)
inputs = processor(mr_test_dataset["speech"][:5], 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:", mr_test_dataset["actual_text"][:5])
💻 使用示例
基础用法
上述代码展示了如何直接使用模型进行语音识别,无需语言模型。
高级用法
以下是如何对模型进行评估的示例代码:
import os, re, torch, torchaudio
from datasets import Dataset, load_metric
import pandas as pd
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
dataset_path = "./OpenSLR-64_Marathi/mr_in_female/"
audio_df = pd.read_csv(os.path.join(dataset_path,'line_index.tsv'),sep='\t',header=None)
audio_df.columns = ['path_in_folder','actual_text']
audio_df['path_in_folder'] = audio_df['path_in_folder'].apply(lambda x: dataset_path + x + '.wav')
audio_df = audio_df.sample(frac=1, random_state=2020).reset_index(drop=True)
all_data = Dataset.from_pandas(audio_df)
all_data = all_data.train_test_split(test_size=0.10,seed=2020)
mr_test_dataset = all_data['test']
wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("sumedh/wav2vec2-large-xlsr-marathi")
model = Wav2Vec2ForCTC.from_pretrained("sumedh/wav2vec2-large-xlsr-marathi")
model.to("cuda")
chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)
def speech_file_to_array_fn(batch):
batch["actual_text"] = re.sub(chars_to_ignore_regex, '', batch["actual_text"]).lower()
speech_array, sampling_rate = torchaudio.load(batch["path_in_folder"])
batch["speech"] = resampler(speech_array).squeeze().numpy()
return batch
mr_test_dataset = mr_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 = mr_test_dataset.map(evaluate, batched=True, batch_size=8)
print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["actual_text"])))
🔧 训练相关
训练比例
训练集和测试集的比例为90:10。
训练资源
训练使用Google Colab Pro的Tesla P100 16GB GPU。
训练链接
- 训练笔记本Colab链接:点击查看
- 训练配置和总结(weights-and-biases运行总结):点击查看
📄 许可证
本项目使用Apache-2.0许可证。