语言: 丰语
数据集:

• 丰语数据集
  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
• HF-ASR排行榜
  许可证: Apache-2.0
  模型索引:
• 名称: Fon XLSR Wav2Vec2 Large 53
  结果:
  • 任务:
    名称: 语音识别
    类型: 自动语音识别
    数据集:
    名称: 丰语
    类型: 丰语数据集
    参数: fon
    评估指标:
    • 名称: 测试WER
      类型: wer
      值: 14.97

Wav2Vec2-Large-XLSR-53-Fon

基于facebook/wav2vec2-large-xlsr-53模型，使用丰语(或称Fongbe)的丰语数据集进行微调。

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），如下所示：

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

#从文件夹中加载测试数据集  
from datasets import load_dataset, load_metric  

#测试  
for root, dirs, files in os.walk(test/):  
  test_dataset= load_dataset("json", data_files=[os.path.join(root,i) for i in files],split="train")  

#移除不必要的字符  
chars_to_ignore_regex = '[\\,\\?\\.\\!\\-\\;\\:\\"\\“\\%\\‘\\”]'  
def remove_special_characters(batch):  
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower() + " "  
    return batch  

test_dataset = test_dataset.map(remove_special_characters)  

processor = Wav2Vec2Processor.from_pretrained("chrisjay/wav2vec2-large-xlsr-53-fon")   
model = Wav2Vec2ForCTC.from_pretrained("chrisjay/wav2vec2-large-xlsr-53-fon")   

#无需重采样，音频数据集已为16kHz  
#resampler = torchaudio.transforms.Resample(48_000, 16_000)  

# 预处理数据集  
# 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"]=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():  
  tlogits = 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

可在我们独特的丰语测试数据上评估模型，如下所示：

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

for root, dirs, files in os.walk(test/):  
  test_dataset = load_dataset("json", data_files=[os.path.join(root,i) for i in files],split="train")  

chars_to_ignore_regex = '[\\,\\?\\.\\!\\-\\;\\:\\"\\“\\%\\‘\\”]'  
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower() + " "  
    return batch  

test_dataset = test_dataset.map(remove_special_characters)  
wer = load_metric("wer")  

processor = Wav2Vec2Processor.from_pretrained("chrisjay/wav2vec2-large-xlsr-53-fon")  
model = Wav2Vec2ForCTC.from_pretrained("chrisjay/wav2vec2-large-xlsr-53-fon")  
model.to("cuda")  

# 预处理数据集  
# 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"] = speech_array[0].numpy()  
    batch["sampling_rate"] = sampling_rate  
    batch["target_text"] = batch["sentence"]  
    return batch  

test_dataset = test_dataset.map(speech_file_to_array_fn)  

#在测试数据集上评估  
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: 14.97%

训练

丰语数据集被划分为训练集(8235个样本)、验证集(1107个样本)和测试集(1061个样本)。

训练脚本可在此处找到。

项目合作者

• Chris C. Emezue (Twitter)|(chris.emezue@gmail.com)
• Bonaventure F.P. Dossou (HuggingFace用户名: bonadossou)|(Twitter)|(femipancrace.dossou@gmail.com)

这是我们关于OkwuGbé: 丰语和伊博语的端到端语音识别研究的延续项目