Wav2vec2 Large Xlsr Vietnamese

🚀 Wav2Vec2-Large-XLSR-53-Vietnamese

该项目基于 facebook/wav2vec2-large-xlsr-53 模型，使用越南语的 Common Voice 和 Infore_25h 数据集（密码：BroughtToYouByInfoRe）进行微调。该模型可用于越南语的自动语音识别任务，为越南语语音处理提供了有效的解决方案。

🚀 快速开始

使用此模型时，请确保语音输入的采样率为 16kHz。

✨ 主要特性

• 基于预训练的 facebook/wav2vec2-large-xlsr-53 模型进行越南语微调。
• 可直接用于越南语的自动语音识别任务，无需语言模型。

📦 安装指南

文档未提供具体安装命令，跳过此章节。

💻 使用示例

基础用法

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

test_dataset = load_dataset("common_voice", "vi", split="test[:2%]") 
processor = Wav2Vec2Processor.from_pretrained("CuongLD/wav2vec2-large-xlsr-vietnamese") 
model = Wav2Vec2ForCTC.from_pretrained("CuongLD/wav2vec2-large-xlsr-vietnamese")

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])

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", "vi", split="test")
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("CuongLD/wav2vec2-large-xlsr-vietnamese") 
model = Wav2Vec2ForCTC.from_pretrained("CuongLD/wav2vec2-large-xlsr-vietnamese") 
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"] = 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：58.63 %

📚 详细文档

训练

使用 Common Voice 的 train、validation 数据集和 Infore_25h 数据集进行训练。训练脚本可在 此处 找到。

如何评估训练的检查点

上传模型后，需要进行最终评估。只需将模型卡片中的评估代码复制到 Python 脚本中并运行即可。请务必在模型卡片的 YAML 标签顶部和评估代码下方的“测试结果”部分记录最终结果。

训练和评估规则

• 训练数据：除官方 Common Voice 的 test 数据集外，所有数据都可用于训练。对于在 Common Voice 中未包含的语言进行训练的模型，模型作者应留出合理数量的数据用于评估。
• 数据预处理：允许（并推荐）将数据归一化为仅包含小写字符，也允许（并推荐）去除排版符号和标点符号。但不应去除会改变单词含义的符号，例如英语中的单引号 '。

技巧和窍门

• 如何合并多个数据集：查看 此帖子。
• 如何有效预处理数据：文档未提供具体内容，跳过。
• 如何在有限的内存和硬盘空间下高效加载数据集：查看 此帖子。
• 如何进行超参数调优：文档未提供具体内容，跳过。
• 如何预处理和评估基于字符的语言：文档未提供具体内容，跳过。

进一步阅读材料

建议花时间了解 Wav2vec2 的理论工作原理，这有助于微调模型。以下是一些重要的参考资源：

• Facebook 的 Wav2Vec2 博客文章
• 官方 Wav2Vec2 论文
• 官方 XLSR Wav2vec2 论文
• Hugging Face 博客
• CTC（Connectionist Temporal Classification）工作原理

常见问题解答

• 参与者可以为多种语言微调模型吗？ 可以，参与者可以根据自己的喜好为多种语言微调模型。
• 参与者可以使用额外的数据（除了 Common Voice 数据）吗？ 可以，除官方 Common Voice 的 test 数据外，所有数据都可用于训练。如果参与者想在 Common Voice 中未包含的语言上训练模型，应留出一些测试数据以确保模型不过拟合。
• 我们可以为高资源语言进行微调吗？ 可以，虽然不建议对英语进行微调，因为已经有很多英语的微调语音识别模型。但如果参与者想对其他“高资源”语言（如法语、西班牙语或德语）进行微调，是非常受欢迎的。对于这种情况，可能需要在本地训练并应用一些技巧，如懒数据加载（更多细节请查看 "懒数据加载" 部分）。

📄 许可证

本项目采用 Apache-2.0 许可证。