Vakyansh Wav2vec2 Tamil Tam 250

🚀 Wav2Vec2 Vakyansh泰米尔语模型

本模型基于多语言预训练模型进行微调，用于自动语音识别任务，能将泰米尔语语音准确转录为文本，在相关测试集上有一定的表现。

🚀 快速开始

本模型在多语言预训练模型 CLSRIL - 23 上进行了微调。原始的fairseq检查点可在 [此处](https://github.com/Open - Speech - EkStep/vakyansh - models) 找到。使用此模型时，请确保您的语音输入采样率为16kHz。

⚠️ 重要提示

该模型的结果未使用语言模型，因此在某些情况下您可能会看到较高的字错率（WER）。

✨ 主要特性

• 多语言预训练基础：基于多语言预训练模型 CLSRIL - 23 微调，具备更广泛的语言适应性。
• 特定语言优化：针对泰米尔语进行训练，能更好地处理该语言的语音识别任务。

📦 安装指南

文档未提及具体安装步骤，暂不提供。

💻 使用示例

基础用法

import soundfile as sf
import torch
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import argparse

def parse_transcription(wav_file):
    # load pretrained model
    processor = Wav2Vec2Processor.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")
    model = Wav2Vec2ForCTC.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")

    # load audio
    audio_input, sample_rate = sf.read(wav_file)

    # pad input values and return pt tensor
    input_values = processor(audio_input, sampling_rate=sample_rate, return_tensors="pt").input_values

    # INFERENCE
    # retrieve logits & take argmax
    logits = model(input_values).logits
    predicted_ids = torch.argmax(logits, dim=-1)

    # transcribe
    transcription = processor.decode(predicted_ids[0], skip_special_tokens=True)
    print(transcription)

高级用法

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

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

processor = Wav2Vec2Processor.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")
model = Wav2Vec2ForCTC.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")
model.to("cuda")

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

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“]'

# 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")).logits

      pred_ids = torch.argmax(logits, dim=-1)
      batch["pred_strings"] = processor.batch_decode(pred_ids, skip_special_tokens=True)
      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

数据集

本模型在4200小时的印地语标注数据上进行了训练。截至目前，这些标注数据并未公开。

训练脚本

模型使用Ekstep的Vakyansh团队搭建的实验平台进行训练。训练仓库可在 [此处](https://github.com/Open - Speech - EkStep/vakyansh - wav2vec2 - experimentation) 找到。

如果您想查看在wandb上的训练日志，可访问 [此处](https://wandb.ai/harveenchadha/tamil - finetuning - multilingual)。

模型评估

在Common Voice的印地语测试数据上，可按上述高级用法中的代码对模型进行评估。

测试结果：53.64 %

Colab评估

模型索引

🔧 技术细节

本模型基于多语言预训练模型 CLSRIL - 23 进行微调，原始的fairseq检查点可在 [此处](https://github.com/Open - Speech - EkStep/vakyansh - models) 找到。训练过程使用了4200小时的印地语标注数据，通过特定的实验平台和训练脚本完成训练。

📄 许可证

本模型采用MIT许可证。

致谢

感谢Ekstep基金会使该模型的开发成为可能。Vakyansh团队将开源所有印度语言的语音模型。