Wav2vec2 Large Xlsr Luganda

🚀 Wav2Vec2-Large-XLSR-53-lg

本模型基于卢干达语（Luganda）对 facebook/wav2vec2-large-xlsr-53 进行了微调，使用了 Common Voice 数据集，涵盖训练集、验证集及其他数据（不包括测试集中的语音），同时将测试数据用于验证和测试。使用此模型时，请确保语音输入的采样率为 16kHz。

模型信息

模型评估结果

🚀 快速开始

✨ 主要特性

• 基于预训练的 facebook/wav2vec2-large-xlsr-53 模型进行微调，适用于卢干达语语音识别任务。
• 训练数据经过增强处理，包括添加噪声、调整音高、相位和强度，以提高模型的鲁棒性。

📦 安装指南

文档未提供安装步骤，故跳过该章节。

💻 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", "lg", split="test[:2%]") 

processor = Wav2Vec2Processor.from_pretrained("lucio/wav2vec2-large-xlsr-luganda") 
model = Wav2Vec2ForCTC.from_pretrained("lucio/wav2vec2-large-xlsr-luganda")

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

# Preprocessing the datasets.
# We need to read the audio 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[:2]["speech"], 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
import unidecode

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

processor = Wav2Vec2Processor.from_pretrained("lucio/wav2vec2-large-xlsr-luganda") 
model = Wav2Vec2ForCTC.from_pretrained("lucio/wav2vec2-large-xlsr-luganda")
model.to("cuda")

chars_to_ignore_regex = '[\[\],?.!;:%"“”(){}‟ˮʺ″«»/…‽�–]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)

# Preprocessing the datasets.
# We need to read the audio 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

def remove_special_characters(batch):
    # word-internal apostrophes are marking contractions
    batch["norm_text"] = re.sub(r'[‘’´`]', r"'", batch["sentence"])
    # most other punctuation is ignored
    batch["norm_text"] = re.sub(chars_to_ignore_regex, "", batch["norm_text"]).lower().strip()
    batch["norm_text"] = re.sub(r"(-|' | '|  +)", " ", batch["norm_text"])
    # remove accents from a few characters (from loanwords, not tones)
    batch["norm_text"] = unidecode.unidecode(batch["norm_text"])
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
test_dataset = test_dataset.map(remove_special_characters)

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["norm_text"])))

测试结果：29.52 %

📚 详细文档

训练过程

• 数据使用：使用了 Common Voice 的 train、validation 和 other 数据集进行训练，排除了同时存在于 other 和 test 数据集中的语音。
• 数据增强：将数据增强至原始大小的两倍，添加了噪声，并对音高、相位和强度进行了调整。
• 训练配置：在 OVHcloud 提供的 1 个 V100 GPU 上进行了 60 个 epoch 的训练，使用 test 数据进行验证。
• 训练脚本：训练使用的脚本 点击此处查看，该脚本改编自 transformers 仓库提供的示例脚本。

📄 许可证

本模型使用 Apache 2.0 许可证。