🚀 越南语语音识别(使用Wav2vec 2.0)
本项目基于Wav2vec 2.0模型,在约160小时的越南语语音数据集上进行微调,实现越南语语音识别。即使未引入语言模型,也取得了不错的效果。
🚀 快速开始
模型描述
在来自不同资源的约160小时越南语语音数据集上微调基于Wav2vec2的模型,这些数据集包括 VIOS、COMMON VOICE、FOSD 和 VLSP 100h。目前尚未将语言模型集成到自动语音识别(ASR)系统中,但仍获得了可观的结果。
实现方式
我们还提供了Wav2vec2模型的预训练和微调代码。如果您想在自己的数据集上进行训练,可以查看以下链接:
✨ 主要特性
- 基于Wav2vec 2.0模型进行越南语语音识别。
- 提供预训练和微调代码,方便在自定义数据集上训练。
📦 安装指南
文档未提供具体安装步骤,可参考代码仓库中的依赖说明进行安装。
💻 使用示例
基础用法
from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
import librosa
import torch
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
processor = Wav2Vec2Processor.from_pretrained("khanhld/wav2vec2-base-vietnamese-160h")
model = Wav2Vec2ForCTC.from_pretrained("khanhld/wav2vec2-base-vietnamese-160h")
model.to(device)
def transcribe(wav):
input_values = processor(wav, sampling_rate=16000, return_tensors="pt").input_values
logits = model(input_values.to(device)).logits
pred_ids = torch.argmax(logits, dim=-1)
pred_transcript = processor.batch_decode(pred_ids)[0]
return pred_transcript
wav, _ = librosa.load('path/to/your/audio/file', sr = 16000)
print(f"transcript: {transcribe(wav)}")
高级用法
from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
from datasets import load_dataset
import torch
import re
from datasets import load_dataset, load_metric, Audio
wer = load_metric("wer")
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
processor = Wav2Vec2Processor.from_pretrained("khanhld/wav2vec2-base-vietnamese-160h")
model = Wav2Vec2ForCTC.from_pretrained("khanhld/wav2vec2-base-vietnamese-160h")
model.to(device)
model.eval()
test_dataset = load_dataset("mozilla-foundation/common_voice_8_0", "vi", split="test", use_auth_token="your_huggingface_auth_token")
test_dataset = test_dataset.cast_column("audio", Audio(sampling_rate=16000))
chars_to_ignore = r'[,?.!\-;:"“%\'�]'
def preprocess(batch):
audio = batch["audio"]
batch["input_values"] = audio["array"]
batch["transcript"] = re.sub(chars_to_ignore, '', batch["sentence"]).lower()
return batch
def inference(batch):
input_values = processor(batch["input_values"],
sampling_rate=16000,
return_tensors="pt").input_values
logits = model(input_values.to(device)).logits
pred_ids = torch.argmax(logits, dim=-1)
batch["pred_transcript"] = processor.batch_decode(pred_ids)
return batch
test_dataset = test_dataset.map(preprocess)
result = test_dataset.map(inference, batched=True, batch_size=1)
print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_transcript"], references=result["transcript"])))
测试结果:10.78%
📚 详细文档
基准字错率(WER)结果
评估
可通过上述高级用法中的代码对模型进行评估,测试结果的字错率(WER)为10.78%。
🔧 技术细节
文档未提供详细技术细节。
📄 许可证
本项目采用 CC-BY-NC-4.0 许可证。
📖 引用
如果您使用了本项目的代码或模型,请引用以下文献:
@mics{Duy_Khanh_Finetune_Wav2vec_2_0_2022,
author = {Duy Khanh, Le},
doi = {10.5281/zenodo.6542357},
license = {CC-BY-NC-4.0},
month = {5},
title = {{Finetune Wav2vec 2.0 For Vietnamese Speech Recognition}},
url = {https://github.com/khanld/ASR-Wa2vec-Finetune},
year = {2022}
}
📞 联系我们
如果您有任何问题或建议,可以通过以下方式联系我们: