/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense

wav2vec2-large-xlsr-javanese

Распознавание речиАудио → текст4 профессии

Модель Wav2Vec2 для распознавания яванской речи и преобразования её в текст.

413скачиваний за 30 дней0лайковвеса обновлены5 июл 2021

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

cahya/wav2vec2-large-xlsr-javanese — модель автоматического распознавания яванской речи, дообученная на базе facebook/wav2vec2-large-xlsr-53 на высококачественных данных синтеза речи на яванском языке из OpenSLR. Она принимает аудио, дискретизированное с частотой 16 кГц, и преобразует речь в текст; архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. В карточке приведён результат тестирования 17,61 %, но метрика не уточнена. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация аудиозаписей на яванском языке
  • распознавание яванской речи в аудио с частотой 16 кГц
  • подготовка текстовых расшифровок яванской речи

Ограничения

Для входного аудио требуется частота дискретизации 16 кГц. В карточке указано значение тестового результата 17,61 %, но не названы метрика и условия оценки.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Wav2Vec2-Large-XLSR-Javanese

Fine-tuned facebook/wav2vec2-large-xlsr-53 on the OpenSLR High quality TTS data for Javanese. When using this model, make sure that your speech input is sampled at 16kHz.

Usage

The model can be used directly (without a language model) as follows:

import torch
import torchaudio
from datasets import load_dataset, load_metric, Dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
from datasets.utils.download_manager import DownloadManager
from pathlib import Path
import pandas as pd

def load_dataset_javanese():
    urls = [
        "https://www.openslr.org/resources/41/jv_id_female.zip",
        "https://www.openslr.org/resources/41/jv_id_male.zip"
    ]
    dm = DownloadManager()
    download_dirs = dm.download_and_extract(urls)
    data_dirs = [ 
        Path(download_dirs[0])/"jv_id_female/wavs",
        Path(download_dirs[1])/"jv_id_male/wavs",
    ]
    filenames = [ 
        Path(download_dirs[0])/"jv_id_female/line_index.tsv",
        Path(download_dirs[1])/"jv_id_male/line_index.tsv",
    ]
    
    dfs = []
    dfs.append(pd.read_csv(filenames[0], sep='\t', names=["path", "sentence"]))
    dfs.append(pd.read_csv(filenames[1], sep='\t', names=["path", "client_id", "sentence"]))
    dfs[1] = dfs[1].drop(["client_id"], axis=1)
    
    for i, dir in enumerate(data_dirs):
        dfs[i]["path"] = dfs[i].apply(lambda row: str(data_dirs[i]) + "/" + row + ".wav", axis=1)
    df = pd.concat(dfs)
    # df = df.sample(frac=1, random_state=1).reset_index(drop=True)
    dataset = Dataset.from_pandas(df)
    dataset = dataset.remove_columns('__index_level_0__')
    
    return dataset.train_test_split(test_size=0.1, seed=1)

dataset = load_dataset_javanese()
test_dataset = dataset['test']

processor = Wav2Vec2Processor.from_pretrained("cahya/wav2vec2-large-xlsr-javanese")
model = Wav2Vec2ForCTC.from_pretrained("cahya/wav2vec2-large-xlsr-javanese")

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

# Preprocessing the datasets.
# We need to read the aduio files as arrays
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("Prediction:", processor.batch_decode(predicted_ids))
print("Reference:", test_dataset[:2]["sentence"])

Evaluation

The model can be evaluated as follows or using this notebook

import torch
import torchaudio
from datasets import load_dataset, load_metric, Dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re
from datasets.utils.download_manager import DownloadManager
from pathlib import Path
import pandas as pd

def load_dataset_javanese():
    urls = [
        "https://www.openslr.org/resources/41/jv_id_female.zip",
        "https://www.openslr.org/resources/41/jv_id_male.zip"
    ]
    dm = DownloadManager()
    download_dirs = dm.download_and_extract(urls)
    data_dirs = [
        Path(download_dirs[0])/"jv_id_female/wavs",
        Path(download_dirs[1])/"jv_id_male/wavs",
    ]
    filenames = [
        Path(download_dirs[0])/"jv_id_female/line_index.tsv",
        Path(download_dirs[1])/"jv_id_male/line_index.tsv",
    ]

    dfs = []
    dfs.append(pd.read_csv(filenames[0], sep='\t', names=["path", "sentence"]))
    dfs.append(pd.read_csv(filenames[1], sep='\t', names=["path", "client_id", "sentence"]))
    dfs[1] = dfs[1].drop(["client_id"], axis=1)

    for i, dir in enumerate(data_dirs):
        dfs[i]["path"] = dfs[i].apply(lambda row: str(data_dirs[i]) + "/" + row + ".wav", axis=1)
    df = pd.concat(dfs)
    # df = df.sample(frac=1, random_state=1).reset_index(drop=True)
    dataset = Dataset.from_pandas(df)
    dataset = dataset.remove_columns('__index_level_0__')

    return dataset.train_test_split(test_size=0.1, seed=1)

dataset = load_dataset_javanese()
test_dataset = dataset['test']

wer = load_metric("wer")

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

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

# Preprocessing the datasets.
# We need to read the aduio files as arrays
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)

# Preprocessing the datasets.
# We need to read the aduio files as arrays
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"])))

Test Result: 17.61 %

Training

OpenSLR High quality TTS data for Javanese was used for training. The script used for training can be found here and to evaluate it

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
35e917e

0 моделей