语言: 泰米尔语 #数据集: #- Interspeech 2021 评估指标:

• 词错误率(WER) 标签:
• 音频
• 自动语音识别
• 语音 许可证: MIT 模型索引:
• 名称: Harveen Chadha开发的Vakyansh泰米尔语Wav2Vec2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泰米尔语版 类型: common_voice 参数: ta 评估指标:
    • 名称: 测试词错误率 类型: wer 值: 53.64

预训练模型

基于多语言预训练模型CLSRIL-23进行微调。原始fairseq检查点可在此处获取。使用本模型时，请确保语音输入采样率为16kHz。

注意：该模型输出结果未结合语言模型，因此在某些情况下可能呈现较高的词错误率。

数据集

本模型使用4200小时的标注印地语数据进行训练。目前该标注数据尚未公开。

训练脚本

模型训练依托Vakyansh团队在Ekstep搭建的实验平台完成，具体训练代码库参见此处。

如需查阅wandb训练日志，请访问此链接。

Colab演示

使用方式

可直接使用该模型（无需语言模型）如下：

import soundfile as sf
import torch
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import argparse

def parse_transcription(wav_file):
    # 加载预训练模型
    processor = Wav2Vec2Processor.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")
    model = Wav2Vec2ForCTC.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")

    # 加载音频
    audio_input, sample_rate = sf.read(wav_file)

    # 填充输入值并返回PyTorch张量
    input_values = processor(audio_input, sampling_rate=sample_rate, return_tensors="pt").input_values

    # 推理过程
    # 获取逻辑值并取最大索引
    logits = model(input_values).logits
    predicted_ids = torch.argmax(logits, dim=-1)

    # 转写文本
    transcription = processor.decode(predicted_ids[0], skip_special_tokens=True)
    print(transcription)

评估

可在Common Voice的印地语测试数据上按如下方式评估模型：

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

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

processor = Wav2Vec2Processor.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")
model = Wav2Vec2ForCTC.from_pretrained("Harveenchadha/vakyansh-wav2vec2-tamil-tam-250")
model.to("cuda")

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

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“]'

# 数据集预处理
# 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)

# 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")).logits

      pred_ids = torch.argmax(logits, dim=-1)
      batch["pred_strings"] = processor.batch_decode(pred_ids, skip_special_tokens=True)
      return batch

result = test_dataset.map(evaluate, batched=True, batch_size=8)

print("词错误率: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["sentence"])))

测试结果: 53.64%

Colab评估页面

致谢

感谢Ekstep基金会对此项目的支持。Vakyansh团队将持续开源各印度语言的语音模型。