Views
No views yet
1import torch
2import librosa
3from datasets import load_dataset
4from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
5
6LANG_ID = "ja"
7MODEL_ID = "Ivydata/wav2vec2-large-xlsr-53-japanese"
8SAMPLES = 10
9
10test_dataset = load_dataset("common_voice", LANG_ID, split=f"test[:{SAMPLES}]")
11
12processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)
13model = Wav2Vec2ForCTC.from_pretrained(MODEL_ID)
14
15# Preprocessing the datasets.
16# We need to read the audio files as arrays
17def speech_file_to_array_fn(batch):
18 speech_array, sampling_rate = librosa.load(batch["path"], sr=16_000)
19 batch["speech"] = speech_array
20 batch["sentence"] = batch["sentence"].upper()
21 return batch
22
23test_dataset = test_dataset.map(speech_file_to_array_fn)
24inputs = processor(test_dataset["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)
25
26with torch.no_grad():
27 logits = model(inputs.input_values, attention_mask=inputs.attention_mask).logits
28
29predicted_ids = torch.argmax(logits, dim=-1)
30predicted_sentences = processor.batch_decode(predicted_ids)
31
32for i, predicted_sentence in enumerate(predicted_sentences):
33 print("-" * 100)
34 print("Reference: ", test_dataset[i]["sentence"])
35 print("Prediction:", predicted_sentence)| Model | CER |
|---|---|
| Ivydata/wav2vec2-large-xlsr-53-japanese | 27.87% |
| jonatasgrosman/wav2vec2-large-xlsr-53-japanese | 34.18% |
| vumichien/wav2vec2-large-xlsr-japanese | 37.72% |
| Reference | Prediction |
|---|---|
| ただ選択するのではなくどう考えて選択をするのか | ただ洗濯するのではなくどう考えて洗択をするのか |
| この巨大な構造物を宇宙に作ることができた人間 | この巨大な構造物を宇宙に作ることができた人間 |
| 何かしら嫌いになっていってしまったわけですよね | 何にかしら気段になっっていってしまったおけどすね |
| そんな僕だからこそ言えることは筋肉を変えれば自分が変わってくるし | んな僕らからこスえることは筋肉を変えれば自分が変わってくし |
| そうするとその言葉を使って未来のイメージを形作っていくことができると | そうするとその言葉を使って未来のイメーージを形作っていことができると |
1@misc{Ivydata2023-wav2vec2-xlsr53-large-japanese,
2 title={Fine-tuned Japanese Wav2Vec2 model for speech recognition using XLSR-53 large},
3 author={Kosuke Suzuki},
4 howpublished={\url{https://huggingface.co/Ivydata/wav2vec2-large-xlsr-53-japanese/}},
5 year={2023}
6}