/ Модель

Характеристики

Параметры
403 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
wav2vec2 · dense
Опубликована
8 ноя 2022

wav2vec2-large-xlsr-53-maltese-64h

Распознавание речиАудио → текст3 профессии

Модель Wav2Vec2, дообученная для распознавания и транскрибирования мальтийской речи.

21скачиваний за 30 дней0лайковвеса обновлены23 окт 2023

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

wav2vec2-large-xlsr-53-maltese-64h — акустическая модель для автоматического распознавания речи на мальтийском языке. Её разработал Карлос Даниэль Эрнандес Мена в рамках проекта MASRI Университета Мальты; модель дообучена на facebook/wav2vec2-large-xlsr-53 примерно на 64 часах мальтийских аудиоданных. Архитектура — Wav2Vec2ForCTC, число параметров — около 402,7 млн; модель доступна в формате PyTorch.

Модель предназначена для преобразования мальтийской речи в текст и обучена на записях из нескольких корпусов MASRI, а также Common Voice. Её можно использовать для транскрибирования речи, записанной в гарнитуру, в дальней среде и в кабинах звукозаписи. Лицензия CC BY-NC-SA 4.0 требует указания авторства, ограничивает коммерческое использование и распространяет аналогичные условия на производные материалы.

Сценарии применения

  • транскрибирование речи на мальтийском языке
  • распознавание мальтийской речи в записях с гарнитуры
  • распознавание мальтийской речи в дальней среде
  • транскрибирование мальтийских аудиозаписей из корпусов MASRI

Ограничения

Модель рассчитана на мальтийскую речь; качество распознавания для других языков не заявлено. Лицензия запрещает коммерческое использование и требует распространять производные материалы на аналогичных условиях.

Для каких профессий подходит3

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-53-maltese-64h

The "wav2vec2-large-xlsr-53-maltese-64h" is an acoustic model suitable for Automatic Speech Recognition in Maltese. It is the result of fine-tuning the model "facebook/wav2vec2-large-xlsr-53" with around 64 hours of Maltese data developed by the MASRI Project at the University of Malta between 2019 and 2021. Most of the data is available at the the MASRI Project homepage https://www.um.edu.mt/projects/masri/.

The specific list of corpora used to fine-tune the model is:

  • MASRI-HEADSET v2 (6h39m)
  • MASRI-Farfield (9h37m)
  • MASRI-Booths (2h27m)
  • MASRI-MEP (1h17m)
  • MASRI-COMVO (7h29m)
  • MASRI-TUBE (13h17m)
  • MASRI-MERLIN (25h18m) *Not available at the MASRI Project homepage

The fine-tuning process was perform during November (2022) in the servers of the Language and Voice Lab (https://lvl.ru.is/) at Reykjavík University (Iceland) by Carlos Daniel Hernández Mena.

Evaluation

import torch
from transformers import Wav2Vec2Processor
from transformers import Wav2Vec2ForCTC

#Load the processor and model.
MODEL_NAME="carlosdanielhernandezmena/wav2vec2-large-xlsr-53-maltese-64h"
processor = Wav2Vec2Processor.from_pretrained(MODEL_NAME)
model = Wav2Vec2ForCTC.from_pretrained(MODEL_NAME)

#Load the dataset
from datasets import load_dataset, load_metric, Audio
ds=load_dataset("common_voice", "mt", split="test")

#Normalize the transcriptions
import re
chars_to_ignore_regex = '[\\,\\?\\.\\!\\\;\\:\\"\\“\\%\\‘\\”\\�\\)\\(\\*)]'
def remove_special_characters(batch):
	batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
	return batch
ds = ds.map(remove_special_characters)

#Downsample to 16kHz
ds = ds.cast_column("audio", Audio(sampling_rate=16_000))

#Process the dataset
def prepare_dataset(batch):
	audio = batch["audio"]
	#Batched output is "un-batched" to ensure mapping is correct
	batch["input_values"] = processor(audio["array"], sampling_rate=audio["sampling_rate"]).input_values[0]
	with processor.as_target_processor():
		batch["labels"] = processor(batch["sentence"]).input_ids
	return batch
ds = ds.map(prepare_dataset, remove_columns=ds.column_names,num_proc=1)

#Define the evaluation metric
import numpy as np
wer_metric = load_metric("wer")
def compute_metrics(pred):
	pred_logits = pred.predictions
	pred_ids = np.argmax(pred_logits, axis=-1)
	pred.label_ids[pred.label_ids == -100] = processor.tokenizer.pad_token_id
	pred_str = processor.batch_decode(pred_ids)
	#We do not want to group tokens when computing the metrics
	label_str = processor.batch_decode(pred.label_ids, group_tokens=False)
	wer = wer_metric.compute(predictions=pred_str, references=label_str)
	return {"wer": wer}

#Do the evaluation (with batch_size=1)
model = model.to(torch.device("cuda"))
def map_to_result(batch):
	with torch.no_grad():
		input_values = torch.tensor(batch["input_values"], device="cuda").unsqueeze(0)
		logits = model(input_values).logits
	pred_ids = torch.argmax(logits, dim=-1)
	batch["pred_str"] = processor.batch_decode(pred_ids)[0]
	batch["sentence"] = processor.decode(batch["labels"], group_tokens=False)
	return batch
results = ds.map(map_to_result,remove_columns=ds.column_names)

#Compute the overall WER now.
print("Test WER: {:.3f}".format(wer_metric.compute(predictions=results["pred_str"], references=results["sentence"])))

Test Result: 0.011

BibTeX entry and citation info

When publishing results based on these models please refer to:

@misc{mena2022xlrs53maltese,
      title={Acoustic Model in Maltese: wav2vec2-large-xlsr-53-maltese-64h.}, 
      author={Hernandez Mena, Carlos Daniel},
      url={https://huggingface.co/carlosdanielhernandezmena/wav2vec2-large-xlsr-53-maltese-64h},
      year={2022}
}

Acknowledgements

The MASRI Project is funded by the University of Malta Research Fund Awards. We want to thank to Merlin Publishers (Malta) for provinding the audiobooks used to create the MASRI-MERLIN Corpus.

Special thanks to Jón Guðnason, head of the Language and Voice Lab for providing computational power to make this model possible. We also want to thank to the "Language Technology Programme for Icelandic 2019-2023" which is managed and coordinated by Almannarómur, and it is funded by the Icelandic Ministry of Education, Science and Culture.

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
0468585

0 моделей