Wav2vec2 Large Xlsr Moroccan Darija

🚀 Wav2Vec2-Large-XLSR-53-摩洛哥达里贾语模型

本项目基于Wav2Vec2-Large-XLSR-53模型，针对摩洛哥达里贾语进行了微调，能够有效实现摩洛哥达里贾语的自动语音识别，为相关语音处理任务提供了有力支持。

🚀 快速开始

本模型可以直接按以下步骤使用：

import librosa
import torch
from transformers import Wav2Vec2CTCTokenizer, Wav2Vec2ForCTC, Wav2Vec2Processor, TrainingArguments, Wav2Vec2FeatureExtractor, Trainer

tokenizer = Wav2Vec2CTCTokenizer("./vocab.json", unk_token="[UNK]", pad_token="[PAD]", word_delimiter_token="|")
processor = Wav2Vec2Processor.from_pretrained('boumehdi/wav2vec2-large-xlsr-moroccan-darija', tokenizer=tokenizer)
model=Wav2Vec2ForCTC.from_pretrained('boumehdi/wav2vec2-large-xlsr-moroccan-darija')


# load the audio data (use your own wav file here!)
input_audio, sr = librosa.load('file.wav', sr=16000)

# tokenize
input_values = processor(input_audio, return_tensors="pt", padding=True).input_values

# retrieve logits
logits = model(input_values).logits

tokens = torch.argmax(logits, axis=-1)

# decode using n-gram
transcription = tokenizer.batch_decode(tokens)

# print the output
print(transcription)

输出示例：قالت ليا هاد السيد هادا ما كاينش بحالو

✨ 主要特性

• 数据来源优质：在从MDVC（https://ijeecs.iaescore.com/index.php/IJEECS/article/view/35709）中提取的57小时标注达里贾语音频上进行了微调，该数据集包含超过1000小时的摩洛哥达里贾语“ary”。
• 持续优化：模型正在进行全天候的微调以提高准确性。
• 数据持续更新：每天都会持续为模型添加数据，并且会逐步规范摩洛哥达里贾语的书写方式。

📦 安装指南

暂未提供相关安装步骤，可参考代码中的依赖库进行安装，如librosa、torch、transformers等。

💻 使用示例

基础用法

import librosa
import torch
from transformers import Wav2Vec2CTCTokenizer, Wav2Vec2ForCTC, Wav2Vec2Processor, TrainingArguments, Wav2Vec2FeatureExtractor, Trainer

tokenizer = Wav2Vec2CTCTokenizer("./vocab.json", unk_token="[UNK]", pad_token="[PAD]", word_delimiter_token="|")
processor = Wav2Vec2Processor.from_pretrained('boumehdi/wav2vec2-large-xlsr-moroccan-darija', tokenizer=tokenizer)
model=Wav2Vec2ForCTC.from_pretrained('boumehdi/wav2vec2-large-xlsr-moroccan-darija')


# load the audio data (use your own wav file here!)
input_audio, sr = librosa.load('file.wav', sr=16000)

# tokenize
input_values = processor(input_audio, return_tensors="pt", padding=True).input_values

# retrieve logits
logits = model(input_values).logits

tokens = torch.argmax(logits, axis=-1)

# decode using n-gram
transcription = tokenizer.batch_decode(tokens)

# print the output
print(transcription)

高级用法

目前文档未提供高级用法示例。

📚 详细文档

训练和验证指标如下：

📄 许可证

本项目采用Apache-2.0许可证。

联系方式

邮箱：souregh@gmail.com 作者：BOUMEHDI Ahmed