Wav2vec2 Large Xlsr 53 Turkish

🚀 Wav2Vec2-Large-XLSR-53-土耳其语模型

本模型基于 facebook/wav2vec2-large-xlsr-53，使用 Common Voice 数据集针对土耳其语进行了微调。使用该模型时，请确保输入的语音采样率为 16kHz。

🚀 快速开始

✨ 主要特性

• 适用任务：自动语音识别。
• 训练数据：采用 Common Voice 土耳其语数据集。
• 评估指标：词错误率（WER），测试集 WER 为 17.46%。

📦 安装指南

文档未提及具体安装步骤，可参考 Hugging Face 相关模型的通用安装方式。

💻 使用示例

基础用法

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

test_dataset = load_dataset("common_voice", "tr", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("aniltrkkn/wav2vec2-large-xlsr-53-turkish")
model = Wav2Vec2ForCTC.from_pretrained("aniltrkkn/wav2vec2-large-xlsr-53-turkish")

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])

📚 详细文档

评估

该模型可在 Common Voice 土耳其语测试数据上进行评估，示例代码如下：

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

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

processor = Wav2Vec2Processor.from_pretrained("aniltrkkn/wav2vec2-large-xlsr-53-turkish")
model = Wav2Vec2ForCTC.from_pretrained("aniltrkkn/wav2vec2-large-xlsr-53-turkish")
model.to("cuda")

chars_to_ignore_regex = '[\\,\\?\\.\\!\\-\\;\\:\\\"\\“]'
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"] = str(unicode_tr(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"])))

测试结果：17.46 %

训练

由于常规的 lower() 函数在处理土耳其语时效果不佳，因此使用 unicode_tr 包将句子转换为小写。

鉴于土耳其语的训练数据非常有限，采用 K 折（k = 5）训练方法使用所有数据进行训练，并上传 5 次训练中表现最佳的模型。训练参数如下：

--num_train_epochs="30" 
--per_device_train_batch_size="32" 
--evaluation_strategy="steps" 
--activation_dropout="0.055" 
--attention_dropout="0.094" 
--feat_proj_dropout="0.04" 
--hidden_dropout="0.047" 
--layerdrop="0.041" 
--learning_rate="2.34e-4" 
--mask_time_prob="0.082" 
--warmup_steps="250" 

使用 GeForce RTX 3090 显卡，每次训练大约需要 20 小时。

🔧 技术细节

• 模型微调：基于 facebook/wav2vec2-large-xlsr-53 模型在土耳其语上进行微调。
• 数据处理：使用 unicode_tr 包处理土耳其语大小写转换，以解决常规 lower() 函数的不足。
• 训练策略：采用 K 折（k = 5）训练方法，充分利用有限的训练数据。

📄 许可证

本模型使用 Apache 2.0 许可证。

信息表格