Wav2vec2 Large Xlsr Greek 2

🚀 希腊语XLSR Wav2Vec2大模型53

本项目是在希腊语数据集上对 facebook/wav2vec2-large-xlsr-53 进行微调的成果。使用的数据集为 Common Voice，希腊语的Common Voice数据集中男性语音占比较大。为了平衡数据，我们采用了 此处 讨论的方法合成了女性语音。同时，利用 谷歌的TTS标准语音模型 基于Common Voice数据集中的文本合成了女性说话者的语音。

在facebook/wav2vec2-large-xlsr-53上使用希腊语Common Voice数据集进行微调：

• 训练5个周期 >> 字错率（WER）为56.25%
• 从检查点恢复训练15个周期 >> 字错率降至34.00%
• 添加合成的女性语音并训练12个周期 >> 字错率仍为34.00%（无变化）

使用此模型时，请确保语音输入的采样率为16kHz。

🚀 快速开始

使用此模型时，请确保语音输入的采样率为16kHz。

✨ 主要特性

• 基于预训练的 facebook/wav2vec2-large-xlsr-53 模型进行希腊语微调。
• 针对希腊语Common Voice数据集男性语音占比大的问题，合成女性语音以平衡数据。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

模型可以直接使用（无需语言模型），示例代码如下：

import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
test_dataset = load_dataset("common_voice", "el", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("skylord/greek_lsr_1") 
model = Wav2Vec2ForCTC.from_pretrained("skylord/greek_lsr_1") 

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

# Preprocessing the datasets.
# We need to read the aduio files as arrays
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

文档未提及高级用法相关代码，故跳过此部分。

📚 详细文档

评估

可以在Common Voice的希腊语测试数据上对模型进行评估，示例代码如下：

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

test_dataset = load_dataset("common_voice", "el", split="test") 
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("skylord/greek_lsr_1") 
model = Wav2Vec2ForCTC.from_pretrained("skylord/greek_lsr_1")
model.to("cuda")

chars_to_ignore_regex = '[\\\\\\\\,\\\\\\\\?\\\\\\\\.\\\\\\\\!\\\\\\\\-\\\\\\\\;\\\\\\\\:\\\\\\\\"\\\\\\\\“]' 
resampler = torchaudio.transforms.Resample(48_000, 16_000)

# 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"), 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"])))

测试结果：45.048955 %

训练

使用Common Voice的 train 和 validation 数据集进行训练。训练脚本可在 此处 找到。# TODO: 请填写训练脚本的链接。如果您在Colab中训练模型，只需在此处填写链接。如果您在本地训练模型，建议将训练脚本上传到GitHub并在此处粘贴链接。

🔧 技术细节

文档未提供足够的技术实现细节（具体说明少于50字），故跳过此章节。

📄 许可证

本项目采用 apache-2.0 许可证。

信息表格