|
--- |
|
language: lt |
|
datasets: |
|
- common_voice |
|
tags: |
|
- audio |
|
- automatic-speech-recognition |
|
- speech |
|
- xlsr-fine-tuning-week |
|
license: apache-2.0 |
|
widget: |
|
- label: Common Voice sample 11 |
|
src: https://huggingface.co/m3hrdadfi/wav2vec2-large-xlsr-lithuanian/resolve/main/sample11.flac |
|
- label: Common Voice sample 74 |
|
src: https://huggingface.co/m3hrdadfi/wav2vec2-large-xlsr-lithuanian/resolve/main/sample74.flac |
|
model-index: |
|
- name: XLSR Wav2Vec2 Lithuanian by Mehrdad Farahani |
|
results: |
|
- task: |
|
name: Speech Recognition |
|
type: automatic-speech-recognition |
|
dataset: |
|
name: Common Voice lt |
|
type: common_voice |
|
args: lt |
|
metrics: |
|
- name: Test WER |
|
type: wer |
|
value: 34.66 |
|
|
|
--- |
|
|
|
# Wav2Vec2-Large-XLSR-53-Lithuanian |
|
|
|
Fine-tuned [facebook/wav2vec2-large-xlsr-53](https://huggingface.co/facebook/wav2vec2-large-xlsr-53) in Lithuanian using [Common Voice](https://huggingface.co/datasets/common_voice). 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: |
|
|
|
**Requirements** |
|
```bash |
|
# requirement packages |
|
!pip install git+https://github.com/huggingface/datasets.git |
|
!pip install git+https://github.com/huggingface/transformers.git |
|
!pip install torchaudio |
|
!pip install librosa |
|
!pip install jiwer |
|
``` |
|
|
|
**Normalizer** |
|
```bash |
|
!wget -O normalizer.py https://huggingface.co/m3hrdadfi/wav2vec2-large-xlsr-lithuanian/raw/main/normalizer.py |
|
``` |
|
|
|
**Prediction** |
|
```python |
|
import librosa |
|
import torch |
|
import torchaudio |
|
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor |
|
from datasets import load_dataset |
|
|
|
import numpy as np |
|
import re |
|
import string |
|
|
|
import IPython.display as ipd |
|
|
|
from normalizer import normalizer |
|
|
|
|
|
def speech_file_to_array_fn(batch): |
|
speech_array, sampling_rate = torchaudio.load(batch["path"]) |
|
speech_array = speech_array.squeeze().numpy() |
|
speech_array = librosa.resample(np.asarray(speech_array), sampling_rate, 16_000) |
|
|
|
batch["speech"] = speech_array |
|
return batch |
|
|
|
|
|
def predict(batch): |
|
features = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True) |
|
|
|
input_values = features.input_values.to(device) |
|
attention_mask = features.attention_mask.to(device) |
|
|
|
with torch.no_grad(): |
|
logits = model(input_values, attention_mask=attention_mask).logits |
|
|
|
pred_ids = torch.argmax(logits, dim=-1) |
|
|
|
batch["predicted"] = processor.batch_decode(pred_ids)[0] |
|
return batch |
|
|
|
|
|
device = torch.device("cuda" if torch.cuda.is_available() else "cpu") |
|
processor = Wav2Vec2Processor.from_pretrained("m3hrdadfi/wav2vec2-large-xlsr-lithuanian") |
|
model = Wav2Vec2ForCTC.from_pretrained("m3hrdadfi/wav2vec2-large-xlsr-lithuanian").to(device) |
|
|
|
dataset = load_dataset("common_voice", "lt", split="test[:1%]") |
|
dataset = dataset.map( |
|
normalizer, |
|
fn_kwargs={"remove_extra_space": True}, |
|
remove_columns=list(set(dataset.column_names) - set(['sentence', 'path'])) |
|
) |
|
|
|
dataset = dataset.map(speech_file_to_array_fn) |
|
result = dataset.map(predict) |
|
|
|
max_items = np.random.randint(0, len(result), 20).tolist() |
|
for i in max_items: |
|
reference, predicted = result["sentence"][i], result["predicted"][i] |
|
print("reference:", reference) |
|
print("predicted:", predicted) |
|
print('---') |
|
``` |
|
|
|
**Output:** |
|
```text |
|
reference: jos tikslas buvo rasti kelią į ramųjį vandenyną šiaurės amerikoje |
|
predicted: jos tikstas buvo rasikelia į ramų į vandenyna šiaurės amerikoje |
|
--- |
|
reference: pietrytinėje dalyje likusių katalikų kapinių teritorija po antrojo pasaulinio karo dar padidėjo |
|
predicted: pietrytinė daljelikusių gatalikų kapinių teritoriją pontro pasaulnio karo dar padidėjo |
|
--- |
|
reference: koplyčioje pakabintas aušros vartų marijos paveikslas |
|
predicted: koplyčioje pakagintas aušos fortų marijos paveikslas |
|
--- |
|
reference: yra politinių debatų vedėjas |
|
predicted: yra politinių debatų vedėjas |
|
--- |
|
reference: žmogui taip pat gali būti mirtinai pavojingi |
|
predicted: žmogui taip pat gali būti mirtinai pavojingi |
|
--- |
|
reference: tuo pačiu metu kijeve nuverstas netekęs vokietijos paramos skoropadskis |
|
predicted: tuo pačiu metu kiei venų verstas netekės vokietijos paramos kropadskis |
|
--- |
|
reference: visos dvylika komandų tarpusavyje sužaidžia po dvi rungtynes |
|
predicted: visos dvylika komandų tarpuso vysų žaidžia po dvi rungtynės |
|
--- |
|
reference: kaukazo regioną sudaro kaukazo kalnai ir gretimos žemumos |
|
predicted: kau kazo regioną sudaro kaukazo kalnai ir gretimos žemumus |
|
--- |
|
reference: tarptautinių ir rusiškų šaškių kandidatas į sporto meistrus |
|
predicted: tarptautinio ir rusiškos šaškių kandidatus į sporto meistrus |
|
--- |
|
reference: prasideda putorano plynaukštės pietiniame pakraštyje |
|
predicted: prasideda futorano prynaukštės pietiniame pakraštyje |
|
--- |
|
reference: miestas skirstomas į senamiestį ir naujamiestį |
|
predicted: miestas skirstomas į senamėsti ir naujamiestė |
|
--- |
|
reference: tais pačiais metais pelnė bronzą pasaulio taurės kolumbijos etape komandinio sprinto rungtyje |
|
predicted: tais pačiais metais pelnį mronsa pasaulio taurės kolumbijos etape komandinio sprento rungtyje |
|
--- |
|
reference: prasideda putorano plynaukštės pietiniame pakraštyje |
|
predicted: prasideda futorano prynaukštės pietiniame pakraštyje |
|
--- |
|
reference: moterų tarptautinės meistrės vardas yra viena pakopa žemesnis už moterų tarptautinės korespondencinių šachmatų didmeistrės |
|
predicted: moterų tarptautinės meistrės vardas yra gana pakopo žymesnis už moterų tarptautinės kūrespondencinių šachmatų didmesčias |
|
--- |
|
reference: teritoriją dengia tropinės džiunglės |
|
predicted: teritorija dengia tropinės žiunglės |
|
--- |
|
reference: pastaroji dažnai pereina į nimcovičiaus gynybą arba bogoliubovo gynybą |
|
predicted: pastaruoji dažnai pereina nimcovičiaus gynyba arba bogalių buvo gymyba |
|
--- |
|
reference: už tai buvo suimtas ir tris mėnesius sėdėjo butyrkų kalėjime |
|
predicted: užtai buvo sujumtas ir tris mėne susiedėjo butirkų kalėjime |
|
--- |
|
reference: tai didžiausias pagal gyventojų skaičių regionas |
|
predicted: tai didžiausias pagal gyventojų skaičių redionus |
|
--- |
|
reference: vilkyškių miške taip pat auga raganų eglė |
|
predicted: vilkiškimiškė taip pat auga ragano eglė |
|
--- |
|
reference: kitas gavo skaraitiškės dvarą su palivarkais |
|
predicted: kitas gavos karaitiškės dvarą spolivarkais |
|
--- |
|
``` |
|
|
|
|
|
## Evaluation |
|
|
|
The model can be evaluated as follows on the test data of Common Voice. |
|
|
|
```python |
|
import librosa |
|
import torch |
|
import torchaudio |
|
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor |
|
from datasets import load_dataset, load_metric |
|
|
|
import numpy as np |
|
import re |
|
import string |
|
|
|
from normalizer import normalizer |
|
|
|
|
|
def speech_file_to_array_fn(batch): |
|
speech_array, sampling_rate = torchaudio.load(batch["path"]) |
|
speech_array = speech_array.squeeze().numpy() |
|
speech_array = librosa.resample(np.asarray(speech_array), sampling_rate, 16_000) |
|
|
|
batch["speech"] = speech_array |
|
return batch |
|
|
|
|
|
def predict(batch): |
|
features = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True) |
|
|
|
input_values = features.input_values.to(device) |
|
attention_mask = features.attention_mask.to(device) |
|
|
|
with torch.no_grad(): |
|
logits = model(input_values, attention_mask=attention_mask).logits |
|
|
|
pred_ids = torch.argmax(logits, dim=-1) |
|
|
|
batch["predicted"] = processor.batch_decode(pred_ids)[0] |
|
return batch |
|
|
|
|
|
device = torch.device("cuda" if torch.cuda.is_available() else "cpu") |
|
processor = Wav2Vec2Processor.from_pretrained("m3hrdadfi/wav2vec2-large-xlsr-lithuanian") |
|
model = Wav2Vec2ForCTC.from_pretrained("m3hrdadfi/wav2vec2-large-xlsr-lithuanian").to(device) |
|
|
|
dataset = load_dataset("common_voice", "lt", split="test") |
|
dataset = dataset.map( |
|
normalizer, |
|
fn_kwargs={"remove_extra_space": True}, |
|
remove_columns=list(set(dataset.column_names) - set(['sentence', 'path'])) |
|
) |
|
|
|
dataset = dataset.map(speech_file_to_array_fn) |
|
result = dataset.map(predict) |
|
|
|
wer = load_metric("wer") |
|
|
|
print("WER: {:.2f}".format(100 * wer.compute(predictions=result["predicted"], references=result["sentence"]))) |
|
``` |
|
] |
|
|
|
**Test Result**: |
|
- WER: 34.66% |
|
|
|
|
|
## Training & Report |
|
The Common Voice `train`, `validation` datasets were used for training. |
|
|
|
You can see the training states [here](https://wandb.ai/m3hrdadfi/wav2vec2_large_xlsr_lt/reports/Fine-Tuning-for-Wav2Vec2-Large-XLSR-53-Lithuanian--Vmlldzo1OTM1MTU?accessToken=kdkpara4hcmjvrlpbfsnu4s8cdk3a0xeyrb84ycpr4k701n13hzr9q7s60b00swx) |
|
|
|
The script used for training can be found [here](https://colab.research.google.com/github/m3hrdadfi/notebooks/blob/main/Fine_Tune_XLSR_Wav2Vec2_on_Lithuanian_ASR_with_%F0%9F%A4%97_Transformers_ipynb.ipynb) |
|
|
|
|
|
## Questions? |
|
Post a Github issue on the [Wav2Vec](https://github.com/m3hrdadfi/wav2vec) repo. |
