Views
No views yet
1import re
2import torch
3import librosa
4import torchaudio
5from datasets import load_dataset, load_metric
6from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
7import soundfile as sf
8
9
10dataset = load_dataset("ma_speech_corpus", split="test")
11
12processor = Wav2Vec2Processor.from_pretrained("othrif/wav2vec2-large-xlsr-moroccan")
13model = Wav2Vec2ForCTC.from_pretrained("othrif/wav2vec2-large-xlsr-moroccan")
14model.to("cuda")
15
16
17chars_to_ignore_regex = '[\\,\\?\\.\\!\\-\\;\\:\\"\\“\\'\\�]'
18
19def remove_special_characters(batch):
20 batch["text"] = re.sub(chars_to_ignore_regex, "", batch["sentence"]).lower() + " "
21 return batch
22
23
24dataset = dataset.map(remove_special_characters)
25dataset = dataset.select(range(10))
26
27def speech_file_to_array_fn(batch):
28 start, stop = batch['segment'].split('_')
29 speech_array, sampling_rate = torchaudio.load(batch["path"])
30 speech_array, sampling_rate = sf.read(batch["path"], start=int(float(start) * sampling_rate),
31 stop=int(float(stop) * sampling_rate))
32 batch["speech"] = librosa.resample(speech_array, sampling_rate, 16_000)
33 batch["sampling_rate"] = 16_000
34 batch["target_text"] = batch["text"]
35 return batch
36
37
38dataset = dataset.map(
39 speech_file_to_array_fn
40)
41
42def predict(batch):
43 inputs = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)
44
45 with torch.no_grad():
46 logits = model(inputs.input_values.to("cuda"), attention_mask=inputs.attention_mask.to("cuda")).logits
47
48 pred_ids = torch.argmax(logits, dim=-1)
49 batch["predicted"] = processor.batch_decode(pred_ids)
50 return batch
51
52dataset = dataset.map(predict, batched=True, batch_size=32)
53
54for reference, predicted in zip(dataset["sentence"], dataset["predicted"]):
55 print("reference:", reference)
56 print("predicted:", predicted)
57 print("--")reference: عشرين ألفريال الوحده وشي خمسميه دريال
predicted: عشرين علف ريا لوحده وشي خمسميات ريال
--
reference: واحد جوج تلاتة ربعه خمسة ستة
predicted: غيحك تويش تتبة نتاست
--
reference: هي هاديك غتجينا تقريبا ميه وسته وعشرين ألف ريال
predicted: ياض كتجينا تقريبه ميه أو ستي و عشيناأفرين
--
reference: ###والصرف ليبقا نجيب بيه الصالون فلهوندا... أهاه نديروها علاش لا؟...
predicted: أواصرف ليبقا نجيب يه اصالون فالهندا أه نديروها علاش لا
--
reference: ###صافي مشات... أنا أختي معندي مندير بهاد صداع الراس...
predicted: صافي مشات أنا خصي معندي مندير بهاد داع راسك
ف
--
reference: خلصو ليا غير لكريدي ديالي وديرو ليعجبكوم
predicted: خلصو ليا غير لكريدي ديالي أوديرو لي عجبكوم
--
reference: أنا نتكلف يلاه لقى شي حاجه نشغل بيها راسي
predicted: أنا نتكلف يالله لقا شي حاجه نشغل بيها راسي1import re
2import torch
3import librosa
4import torchaudio
5from datasets import load_dataset, load_metric
6from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
7import soundfile as sf
8
9eval_dataset = load_dataset("ma_speech_corpus", split="test")
10wer = load_metric("wer")
11
12processor = Wav2Vec2Processor.from_pretrained("othrif/wav2vec2-large-xlsr-moroccan")
13model = Wav2Vec2ForCTC.from_pretrained("othrif/wav2vec2-large-xlsr-moroccan")
14model.to("cuda")
15
16chars_to_ignore_regex = '[\\,\\?\\.\\!\\-\\;\\:\\\"\\\'\\�]'
17
18
19def remove_special_characters(batch):
20 batch["text"] = re.sub(chars_to_ignore_regex, "", batch["sentence"]).lower() + " "
21 return batch
22
23
24eval_dataset = eval_dataset.map(remove_special_characters, remove_columns=["sentence"])
25#eval_dataset = eval_dataset.select(range(100))
26
27def speech_file_to_array_fn(batch):
28 start, stop = batch['segment'].split('_')
29 speech_array, sampling_rate = torchaudio.load(batch["path"])
30 speech_array, sampling_rate = sf.read(batch["path"], start=int(float(start) * sampling_rate),
31 stop=int(float(stop) * sampling_rate))
32 batch["speech"] = librosa.resample(speech_array, sampling_rate, 16_000)
33 batch["sampling_rate"] = 16_000
34 batch["target_text"] = batch["text"]
35 return batch
36
37
38eval_dataset = eval_dataset.map(
39 speech_file_to_array_fn,
40 remove_columns=eval_dataset.column_names
41)
42
43def evaluate(batch):
44 inputs = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)
45
46 with torch.no_grad():
47 logits = model(inputs.input_values.to("cuda"), attention_mask=inputs.attention_mask.to("cuda")).logits
48
49 pred_ids = torch.argmax(logits, dim=-1)
50 batch["pred_strings"] = processor.batch_decode(pred_ids)
51 return batch
52
53result = eval_dataset.map(evaluate, batched=True, batch_size=32)
54
55print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["target_text"])))