语言: 卢旺达语 数据集:

• 通用语音 评估指标:
• 词错误率(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: 带撇号的XLSR Wav2Vec2大型卢旺达语模型 结果:
  • 任务: 名称: 语音识别 类型: 自动语音识别 数据集: 名称: 通用语音卢旺达语 类型: common_voice 参数: rw 评估指标:
    • 名称: 测试词错误率 类型: wer 值: 39.92

Wav2Vec2-Large-XLSR-53-rw

基于facebook/wav2vec2-large-xlsr-53在卢旺达语上的微调，使用了通用语音数据集，约25%的训练数据（限于无反对票且时长不超过9.5秒的语音片段），并在验证集的2048条语音上进行了验证。与lucio/wav2vec2-large-xlsr-kinyarwanda模型不同（该模型不预测任何标点符号），本模型尝试预测标记代词与元音开头单词缩写的撇号，但可能存在过度泛化的情况。 使用此模型时，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）如下：

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

# 注意！此操作将下载并解压约80GB的磁盘空间。
test_dataset = load_dataset("common_voice", "rw", split="test[:2%]") 

processor = Wav2Vec2Processor.from_pretrained("lucio/wav2vec2-large-xlsr-kinyarwanda") 
model = Wav2Vec2ForCTC.from_pretrained("lucio/wav2vec2-large-xlsr-kinyarwanda")

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

# 数据集预处理。
# 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[: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["sentence"][:2])

结果:

预测结果: ['yaherukago gukora igitaramo yiki mujyiwa na mor mu bubiligi', "ibi rero ntibizashoboka kandi n'umudabizi"]
参考文本: ['Yaherukaga gukora igitaramo nk’iki mu Mujyi wa Namur mu Bubiligi.', 'Ibi rero, ntibizashoboka, kandi nawe arabizi.']

评估

可按以下方式在通用语音的卢旺达语测试数据上评估模型。注意，加载测试数据时，整个40GB的卢旺达语数据集将被下载并解压到另一个40GB的目录中，因此需确保磁盘有足够空间（例如Google Colab免费版无法满足）。此脚本使用了pcuenq的chunked_wer函数。

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

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

processor = Wav2Vec2Processor.from_pretrained("lucio/wav2vec2-large-xlsr-kinyarwanda-apostrophied") 
model = Wav2Vec2ForCTC.from_pretrained("lucio/wav2vec2-large-xlsr-kinyarwanda-apostrophied")
model.to("cuda")

chars_to_ignore_regex = r'[!"#$%&()*+,./:;<=>?@\[\]\\_{}|~£¤¨©ª«¬®¯°·¸»¼½¾ðʺ˜˝ˮ‐–—―‚“”„‟•…″‽₋€™−√�]'

def remove_special_characters(batch):
    batch["text"] = re.sub(r'[ʻʽʼ‘’´`]', r"'", batch["sentence"])  # 标准化撇号
    batch["text"] = re.sub(chars_to_ignore_regex, "", batch["text"]).lower().strip()  # 移除其他标点
    batch["text"] = re.sub(r"([b-df-hj-np-tv-z])' ([aeiou])", r"\1'\2", batch["text"])  # 移除标记元音删除的撇号空格
    batch["text"] = re.sub(r"(-| '|' |  +)", " ", batch["text"])  # 将破折号和其他撇号视为单词边界
    batch["text"] = unidecode.unidecode(batch["text"])  # 去除外来词的重音
    return batch

## 音频预处理
resampler = torchaudio.transforms.Resample(48_000, 16_000)

def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler(speech_array).squeeze().numpy()
    batch["sampling_rate"] = 16_000
    return batch

def cv_prepare(batch):
    batch = remove_special_characters(batch)
    batch = speech_file_to_array_fn(batch)
    return batch
    
test_dataset = test_dataset.map(cv_prepare)

# 数据集预处理。
# 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)

def chunked_wer(targets, predictions, chunk_size=None):                                          
    if chunk_size is None: return jiwer.wer(targets, predictions)                                
    start = 0                                                                                    
    end = chunk_size                                                                             
    H, S, D, I = 0, 0, 0, 0                                                                      
    while start < len(targets):                                                                  
        chunk_metrics = jiwer.compute_measures(targets[start:end], predictions[start:end])       
        H = H + chunk_metrics["hits"]                                                            
        S = S + chunk_metrics["substitutions"]                                                   
        D = D + chunk_metrics["deletions"]                                                       
        I = I + chunk_metrics["insertions"]                                                      
        start += chunk_size                                                                      
        end += chunk_size                                                                        
    return float(S + D + I) / float(H + S + D)

print("词错误率: {:2f}".format(100 * chunked_wer(result["sentence"], result["pred_strings"], chunk_size=4000)))

测试结果: 39.92%

训练过程

训练使用了通用语音训练数据集中的样本，过滤掉了有down_vote或时长超过9.5秒的语音片段。使用的数据总量约为125k条样本，占可用数据的25%，在OVHcloud提供的1块V100 GPU上训练了约60小时：对32k样本块进行20轮训练，然后对其他3个32k样本块各进行10轮训练。验证阶段使用了验证数据集中的2048条样本。

训练脚本改编自transformers库提供的示例脚本。