语言: 卢干达语
数据集:

• common_voice
  评估指标:
• wer
  标签:
• 音频
• 自动语音识别
• 语音
  许可证: apache-2.0
  模型索引:
• 名称: 印尼NLP开发的Wav2Vec2卢干达语模型
  结果:
  • 任务:
    名称: 语音识别
    类型: 自动语音识别
    数据集:
    名称: Common Voice lg
    类型: common_voice
    参数: lg
    评估指标:
    • 名称: 测试WER
      类型: wer
      值: 7.53

卢干达语自动语音识别系统

本模型专为
莫兹拉卢干达语自动语音识别竞赛构建。
基于facebook/wav2vec2-large-xlsr-53模型，
在卢干达语Common Voice数据集7.0版本上微调而成。

我们同时提供在线演示供测试使用。

使用本模型时，请确保语音输入采样率为16kHz。

使用方式

无需语言模型即可直接调用：

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

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

processor = Wav2Vec2Processor.from_pretrained("indonesian-nlp/wav2vec2-luganda")  
model = Wav2Vec2ForCTC.from_pretrained("indonesian-nlp/wav2vec2-luganda")  

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

# 数据预处理  
def speech_file_to_array_fn(batch):  
    if "audio" in batch:  
        speech_array = torch.tensor(batch["audio"]["array"])  
    else:  
        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[:2]["speech"], 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("预测结果:", processor.batch_decode(predicted_ids))  
print("参考文本:", test_dataset[:2]["sentence"])  

评估

在Common Voice的卢干达语测试集上评估结果如下：

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

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

processor = Wav2Vec2Processor.from_pretrained("indonesian-nlp/wav2vec2-luganda")  
model = Wav2Vec2ForCTC.from_pretrained("indonesian-nlp/wav2vec2-luganda")   
model.to("cuda")  

chars_to_ignore = [",", "?", ".", "!", "-", ";", ":", '""', "%", "'", '"', "�", "‘", "’", "’"]  
chars_to_ignore_regex = f'[{"".join(chars_to_ignore)}]'  

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

def speech_file_to_array_fn(batch):  
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()  
    if "audio" in batch:  
        speech_array = torch.tensor(batch["audio"]["array"])  
    else:  
        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)  

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"])))  

未使用KenLM的WER: 15.38%
使用KenLM的测试结果: 7.53%

训练过程

训练使用了Common Voice的train、validation等数据集（待补充完整数据源说明）

训练脚本详见GitHub仓库