Wav2vec2 Large Xlsr 53 Sw

🚀 斯瓦希里语Wav2Vec2-Large-XLSR-53模型

本项目是在斯瓦希里语数据集上对 facebook/wav2vec2-large-xlsr-53 模型进行微调得到的语音识别模型，可有效处理斯瓦希里语语音数据，为斯瓦希里语的自动语音识别提供解决方案。

🚀 快速开始

使用此模型时，请确保输入的语音采样率为 16kHz。

✨ 主要特性

• 多数据集训练：使用了多个斯瓦希里语数据集进行训练，包括 ALFFA、Gamayun 和 IWSLT，保证了模型的泛化能力。
• 高精度识别：在测试集上取得了 40% 的字错率（WER），具有较高的识别精度。

📦 安装指南

文档未提及安装步骤，暂不展示。

💻 使用示例

基础用法

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

processor = Wav2Vec2Processor.from_pretrained("alokmatta/wav2vec2-large-xlsr-53-sw")

model = Wav2Vec2ForCTC.from_pretrained("alokmatta/wav2vec2-large-xlsr-53-sw").to("cuda")

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

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

def load_file_to_data(file):
    batch = {}
    speech, _ = torchaudio.load(file)
    batch["speech"] = resampler.forward(speech.squeeze(0)).numpy()
    batch["sampling_rate"] = resampler.new_freq
    return batch

def predict(data):
    features = processor(data["speech"], sampling_rate=data["sampling_rate"], padding=True, return_tensors="pt")
    input_values = features.input_values.to("cuda")
    attention_mask = features.attention_mask.to("cuda")
    with torch.no_grad():
        logits = model(input_values, attention_mask=attention_mask).logits
    pred_ids = torch.argmax(logits, dim=-1)
    return processor.batch_decode(pred_ids)

predict(load_file_to_data('./demo.wav'))

高级用法

文档未提及高级用法示例，暂不展示。

📚 详细文档

模型评估结果

🔧 技术细节

文档未提及技术实现细节，暂不展示。

📄 许可证

本模型使用 Apache - 2.0 许可证。