Wav2vec2 Large Xlsr 53 Finnish

🚀 芬兰语XLSR Wav2Vec2大模型53

本模型是基于芬兰语，使用通用语音、CSS10和芬兰议会会议2数据集对facebook/wav2vec2-large-xlsr-53进行微调得到的。在使用此模型时，请确保您的语音输入采样率为16kHz。

✨ 主要特性

• 数据丰富：使用了多个数据集进行训练，包括通用语音、CSS10和芬兰议会会议2数据集。
• 任务适配：适用于语音识别任务，尤其是芬兰语的自动语音识别。

📦 安装指南

文档未提及安装步骤，暂不提供。

💻 使用示例

基础用法

import numpy as np
import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

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

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

resampler = lambda sr, y: librosa.resample(y.squeeze(), sr, 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(sampling_rate, speech_array.numpy()).squeeze()
	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

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

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

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

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

resampler = lambda sr, y: librosa.resample(y.numpy().squeeze(), sr, 16_000)

# Preprocessing the datasets.
# We need to read the audio 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(sampling_rate, speech_array).squeeze()
  return batch

test_dataset = test_dataset.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_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

评估

该模型可以在通用语音的芬兰语测试数据上进行如下评估： 运行上述高级用法中的代码，最终会输出测试的字错率（WER）。测试结果：35.43 %

训练

训练使用了通用语音的train、validation和other数据集，以及CSS10和芬兰议会会议2数据集。训练脚本可在此处找到。# TODO: 请在此处填写训练脚本的链接。如果您在colab中训练模型，只需在此处填写链接。如果您在本地训练模型，最好将训练脚本上传到github并在此处粘贴链接。

🔧 技术细节

文档未提供具体技术细节，暂不展示。

📄 许可证

本模型使用的许可证为apache-2.0。

📋 模型信息