Wav2vec2 Large Xlsr Mr 3

🚀 Wav2Vec2-Large-XLSR-53-Marathi

本项目基于 OpenSLR SLR64 数据集和 InterSpeech 2021 马拉地语数据集，对 facebook/wav2vec2-large-xlsr-53 进行了微调。需要注意的是，OpenSLR 数据集中仅包含女性语音。在将该模型用于您的任务之前，请牢记这一点。使用此模型时，请确保您的语音输入采样率为 16kHz。

🚀 快速开始

本模型可以直接使用（无需语言模型），假设您有一个包含马拉地语 text 和 audio_path 字段的数据集，可按如下步骤操作。

💻 使用示例

基础用法

import torch
import torchaudio
import librosa
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

# test_data = #TODO: WRITE YOUR CODE TO LOAD THE TEST DATASET. For sample see the Colab link in Training Section.

processor = Wav2Vec2Processor.from_pretrained("gchhablani/wav2vec2-large-xlsr-mr-3")
model = Wav2Vec2ForCTC.from_pretrained("gchhablani/wav2vec2-large-xlsr-mr-3")

# 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["audio_path"])
    batch["speech"] = librosa.resample(speech_array[0].numpy(), sampling_rate, 16_000) # sampling_rate can vary
    return batch

test_data= test_data.map(speech_file_to_array_fn)
inputs = processor(test_data["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_data["text"][:2])

📚 详细文档

评估

可以在 OpenSLR 上 10% 的马拉地语数据上按如下方式评估该模型。

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

# test_data = #TODO: WRITE YOUR CODE TO LOAD THE TEST DATASET. For sample see the Colab link in Training Section.

wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("gchhablani/wav2vec2-large-xlsr-mr-3")
model = Wav2Vec2ForCTC.from_pretrained("gchhablani/wav2vec2-large-xlsr-mr-3")
model.to("cuda")

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“\%\‘\”\�\–\…]'


# Preprocessing the datasets.
# We need to read the audio files as arrays
def speech_file_to_array_fn(batch):
    batch["text"] = re.sub(chars_to_ignore_regex, '', batch["text"]).lower()
    speech_array, sampling_rate = torchaudio.load(batch["audio_path"])
    batch["speech"] = librosa.resample(speech_array[0].numpy(), sampling_rate, 16_000)
    return batch

test_data= test_data.map(speech_file_to_array_fn)

# Preprocessing the datasets.
# We need to read the audio 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_data.map(evaluate, batched=True, batch_size=8)
print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["text"])))

测试结果：19.05 %（157 + 157 个示例）

OpenSLR 测试集测试结果：14.15 %（157 个示例）

InterSpeech 测试集测试结果：27.14 %（157 个示例）

训练

训练使用了 OpenSLR 马拉地语数据集的 1412 个示例和 InterSpeech 2021 马拉地语 ASR 数据集的 1412 个示例。测试时，每个数据集各使用了 157 个示例。

用于训练和评估的 Colab 笔记本可在 此处 找到。

📄 许可证

本项目采用 Apache-2.0 许可证。

📦 模型信息

⚠️ 重要提示

OpenSLR 数据集中仅包含女性语音，在将该模型用于您的任务之前，请牢记这一点。使用此模型时，请确保您的语音输入采样率为 16kHz。