Wav2vec2 Large Xlsr Gl

🚀 Wav2Vec2-Large-XLSR-53

本项目是基于Galician语微调的语音识别模型，在Galician语语音识别任务中表现出色，能有效提升语音识别的准确性。

🚀 快速开始

当使用此模型时，请确保您的语音输入采样率为16kHz。

✨ 主要特性

• 微调模型：基于 facebook/wav2vec2-large-xlsr-53 在Galician语上进行微调。
• 数据支持：使用 OpenSLR 数据集进行训练和验证。
• 评估指标：使用字错率（WER）作为评估指标，在OpenSLR数据集上测试WER为16.79%。

📦 安装指南

文档未提及具体安装步骤，可参考相关依赖库的安装方式，确保安装 torch、torchaudio、datasets、transformers 等库。

💻 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", "gl", split="test[:2%]")  # This is not available yet, load OpenSLR or your dataset instead

processor = Wav2Vec2Processor.from_pretrained("diego-fustes/wav2vec2-large-xlsr-gl")
model = Wav2Vec2ForCTC.from_pretrained("diego-fustes/wav2vec2-large-xlsr-gl")

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

以下是在Galician语测试数据上评估模型的代码示例：

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

test_dataset = load_dataset("common_voice", "gl", split="test")   # This is not available yet, load OpenSLR or your dataset instead
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("diego-fustes/wav2vec2-large-xlsr-gl")
model = Wav2Vec2ForCTC.from_pretrained("diego-fustes/wav2vec2-large-xlsr-gl")
model.to("cuda")

chars_to_ignore_regex = '[^a-záéíóúñ ]'
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

测试结果

在OpenSLR数据集划分上的测试结果：字错率（WER）为16.79%。

训练信息

• 数据集：使用OpenSLR SLR77 数据集进行训练和验证，数据集划分比例为：70%用于训练，15%用于验证，15%用于测试。
• 训练脚本：训练使用的脚本可在 此处 找到。

📄 许可证

本项目采用Apache-2.0许可证。

🔧 技术细节