语言: kn 数据集:

• openslr 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: Amogh Gopadi的XLSR Wav2Vec2 Large 53卡纳达语模型 结果:
  • 任务: 名称: 语音识别 类型: 自动语音识别 数据集: 名称: OpenSLR kn 类型: openslr 指标:
    • 名称: 测试WER 类型: wer 值: 27.08

Wav2Vec2-Large-XLSR-53-卡纳达语

在卡纳达语上使用OpenSLR SLR79数据集对facebook/wav2vec2-large-xlsr-53进行微调。使用此模型时，请确保您的语音输入采样率为16kHz。

使用方法

该模型可以直接使用（无需语言模型），假设您有一个包含卡纳达语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。示例参见训练部分中的Colab链接。

processor = Wav2Vec2Processor.from_pretrained("amoghsgopadi/wav2vec2-large-xlsr-kn")
model = Wav2Vec2ForCTC.from_pretrained("amoghsgopadi/wav2vec2-large-xlsr-kn")
resampler = torchaudio.transforms.Resample(48_000, 16_000) # 原始数据采样率为48,000。您可以根据输入调整。

# 预处理数据集。
# 我们需要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 = 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("预测:", processor.batch_decode(predicted_ids))
print("参考:", test_dataset["sentence"][:2])

评估

可以在OpenSLR上10%的卡纳达语数据上评估模型如下：

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。示例参见训练部分中的Colab链接。

wer = load_metric("wer")

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

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

# 预处理数据集。
# 我们需要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)

# 预处理数据集。
# 我们需要将音频文件读取为数组
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: 27.08%

训练

使用了OpenSLR卡纳达数据集的90%进行训练。

训练使用的Colab笔记本可在此处找到。