语言: 古吉拉特语
数据集:

• openslr
  评估指标:
• wer
  标签:
• 音频
• 自动语音识别
• 语音
• xlsr-微调周
  许可证: apache-2.0
  模型索引:
• 名称: Gunjan Chhablani训练的XLSR Wav2Vec2 Large 53古吉拉特语模型
  结果:
  • 任务:
    名称: 语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: OpenSLR gu
    类型: openslr
    指标:
    • 名称: 测试WER
      类型: wer
      值: 23.55

Wav2Vec2-Large-XLSR-53-古吉拉特语

基于facebook/wav2vec2-large-xlsr-53模型，使用OpenSLR SLR78古吉拉特语数据集进行微调。使用该模型时，请确保语音输入采样率为16kHz。

使用方法

该模型可直接使用（无需语言模型），假设您有一个包含古吉拉特语sentence和path字段的数据集：

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

# test_dataset = #TODO: 编写加载测试数据集的代码。示例参见训练部分的Colab链接。  

processor = Wav2Vec2Processor.from_pretrained("gchhablani/wav2vec2-large-xlsr-gu")  
model = Wav2Vec2ForCTC.from_pretrained("gchhablani/wav2vec2-large-xlsr-gu")  

resampler = torchaudio.transforms.Resample(48_000, 16_000)  # 原始数据采样率为48,000。可根据输入调整。  

# 数据预处理  
# 需将音频文件读取为数组  
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_eval = test_dataset_eval.map(speech_file_to_array_fn)  
inputs = processor(test_dataset_eval["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("预测结果:", processor.batch_decode(predicted_ids))  
print("参考文本:", test_dataset_eval["sentence"][:2])  

评估

可在OpenSLR 10%的古吉拉特语数据上评估模型：

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

# test_dataset = #TODO: 编写加载测试数据集的代码。示例参见训练部分的Colab链接。  

wer = load_metric("wer")  

processor = Wav2Vec2Processor.from_pretrained("gchhablani/wav2vec2-large-xlsr-gu")  
model = Wav2Vec2ForCTC.from_pretrained("gchhablani/wav2vec2-large-xlsr-gu")  
model.to("cuda")  

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“\%\‘\”\�\–\…\'\_\’]'  
resampler = torchaudio.transforms.Resample(48_000, 16_000)  

# 数据预处理  
# 需将音频文件读取为数组  
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)  

# 评估函数  
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: 23.55%

训练

使用了OpenSLR古吉拉特语男女混合数据集的90%进行训练，移除了少数包含罗马字符的样本。训练所用Colab笔记本链接此处。