Vakyansh Wav2vec2 Hindi Him 4200

🚀 Wav2Vec2 Vakyansh印地语模型

本模型是用于自动语音识别的预训练模型，在多语言预训练模型上微调而来，可直接用于印地语语音识别任务。

🚀 快速开始

你可以通过以下链接查看模型的相关演示和使用方法：

• 模型空间演示
• Colab演示
• Colab评估

✨ 主要特性

• 基于多语言预训练模型 CLSRIL - 23 进行微调。
• 可直接用于印地语语音识别，无需语言模型。
• 在4200小时的印地语标注数据上进行训练。

📦 安装指南

文档未提及具体安装步骤，可参考相关依赖库的安装方式，确保环境中安装了 soundfile、torch、transformers、datasets、torchaudio 等库。

💻 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-hindi-him-4200")
    model = Wav2Vec2ForCTC.from_pretrained("Harveenchadha/vakyansh-wav2vec2-hindi-him-4200")

    # 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", "hi", split="test")
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("Harveenchadha/vakyansh-wav2vec2-hindi-him-4200")
model = Wav2Vec2ForCTC.from_pretrained("Harveenchadha/vakyansh-wav2vec2-hindi-him-4200")
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

预训练模型

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

注意：此模型的结果未使用语言模型，因此在某些情况下可能会出现较高的字错率（WER）。

数据集

该模型在4200小时的印地语标注数据上进行训练，目前这些标注数据未公开。

训练脚本

模型使用Ekstep的Vakyansh团队搭建的实验平台进行训练，训练仓库可查看 [这里](https://github.com/Open - Speech - EkStep/vakyansh - wav2vec2 - experimentation)。如果你想查看在wandb上的训练日志，可点击 [此处](https://wandb.ai/harveenchadha/hindi_finetuning_multilingual?workspace=user - harveenchadha)。

评估

在Common Voice的印地语测试数据上对模型进行评估，测试结果的字错率（WER）为33.17%。

🔧 技术细节

模型基于Wav2Vec2架构，在多语言预训练模型基础上针对印地语语音识别任务进行微调。使用 Wav2Vec2ForCTC 进行语音识别，Wav2Vec2Processor 进行音频预处理和转录结果解码。评估指标采用字错率（WER）。

📄 许可证

本模型采用MIT许可证。

信息表格

常用提示信息

⚠️ 重要提示

使用此模型时，确保语音输入的采样率为16kHz。模型结果未使用语言模型，可能会出现较高的WER。

💡 使用建议

在使用模型进行语音识别时，可根据实际需求考虑是否结合语言模型以降低WER。

致谢

感谢Ekstep基金会使该项目成为可能，Vakyansh团队将开源所有印度语言的语音模型。