🚀 Wav2Vec2-Large-XLSR-53-越南语模型
本模型基于 facebook/wav2vec2-large-xlsr-53 在越南语数据集上进行微调,使用的数据集为 Common Voice。使用该模型时,请确保输入语音的采样率为 16kHz。
✨ 主要特性
- 数据集:使用 Common Voice 数据集进行训练和评估。
- 指标:使用字错率(WER)作为评估指标。
- 应用场景:适用于音频处理、自动语音识别等领域。
📦 安装指南
文档未提及具体安装步骤,可参考 Hugging Face 相关库的安装方式,如安装 transformers
、datasets
、torch
、torchaudio
等库:
pip install transformers datasets torch torchaudio
💻 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", "vi", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("anuragshas/wav2vec2-large-xlsr-53-vietnamese")
model = Wav2Vec2ForCTC.from_pretrained("anuragshas/wav2vec2-large-xlsr-53-vietnamese")
resampler = torchaudio.transforms.Resample(48_000, 16_000)
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
以下是对模型进行评估的代码示例:
import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re
test_dataset = load_dataset("common_voice", "vi", split="test")
wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("anuragshas/wav2vec2-large-xlsr-53-vietnamese")
model = Wav2Vec2ForCTC.from_pretrained("anuragshas/wav2vec2-large-xlsr-53-vietnamese")
model.to("cuda")
chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)
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)
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:66.78 %
🔧 技术细节
本模型基于 facebook/wav2vec2-large-xlsr-53
进行微调,使用 Common Voice 数据集的 train
和 validation
子集进行训练。评估时使用字错率(WER)作为指标,在 Common Voice 越南语测试集上的测试结果为 66.78%。
📄 许可证
本模型使用 Apache-2.0 许可证。
📦 模型信息
属性 |
详情 |
模型类型 |
Wav2Vec2-Large-XLSR-53-越南语微调模型 |
训练数据 |
Common Voice 越南语数据集的 train 和 validation 子集 |