Wav2vec2 Large Xlsr Japanese 0325 1200

🚀 日文XLSR Wav2Vec2大模型53

本项目基于 Common Voice 数据集，对 facebook/wav2vec2-large-xlsr-53 模型进行微调，以实现日语语音识别。使用该模型时，请确保输入语音的采样率为 16kHz。

🚀 快速开始

本模型可直接使用（无需语言模型），以下是使用步骤：

1. 加载必要的库和数据集。
2. 初始化处理器和模型。
3. 对音频数据进行预处理。
4. 进行预测并输出结果。

✨ 主要特性

• 多领域应用：适用于语音识别、语音交互等多个领域。
• 高精度识别：在日语语音识别任务中表现出色。
• 易于使用：提供了详细的使用示例和评估代码。

📦 安装指南

本项目主要依赖于 torch、torchaudio、datasets 和 transformers 等库，可使用以下命令进行安装：

pip install torch torchaudio datasets transformers

💻 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", "ja", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("qqhann/wav2vec2-large-xlsr-japanese-0325-1200")
model = Wav2Vec2ForCTC.from_pretrained("qqhann/wav2vec2-large-xlsr-japanese-0325-1200")

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

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

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

processor = Wav2Vec2Processor.from_pretrained("qqhann/wav2vec2-large-xlsr-japanese-0325-1200")
model = Wav2Vec2ForCTC.from_pretrained("qqhann/wav2vec2-large-xlsr-japanese-0325-1200")
model.to("cuda")

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“]'  # TODO: adapt this list to include all special characters you removed from the data
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"])))

📚 详细文档

评估

本模型可在 Common Voice 的日语测试数据上进行评估，评估代码如下：

# 评估代码见高级用法部分

训练

本模型使用了 Common Voice 的 train、validation 等数据集进行训练，训练脚本可参考 此处。

测试结果

测试结果：XX.XX %

📄 许可证

本项目采用 apache-2.0 许可证。

⚠️ 重要提示

使用该模型时，请确保输入语音的采样率为 16kHz。

💡 使用建议

在评估模型时，请根据实际情况调整 chars_to_ignore_regex 列表，以去除数据中的特殊字符。同时，记得在评估完模型后，将 {wer_result_on_test} 替换为实际的 WER 错误率，以便模型能在排行榜上显示。