Update README.md

2329100 over 1 year ago

No virus

6.91 kB

	---
	language: ru
	license: apache-2.0
	datasets:
	- common_voice
	- mozilla-foundation/common_voice_6_0
	metrics:
	- wer
	- cer
	tags:
	- audio
	- automatic-speech-recognition
	- hf-asr-leaderboard
	- mozilla-foundation/common_voice_6_0
	- robust-speech-event
	- ru
	- speech
	- xlsr-fine-tuning-week
	model-index:
	- name: XLSR Wav2Vec2 Russian by Jonatas Grosman
	results:
	- task:
	name: Automatic Speech Recognition
	type: automatic-speech-recognition
	dataset:
	name: Common Voice ru
	type: common_voice
	args: ru
	metrics:
	- name: Test WER
	type: wer
	value: 13.3
	- name: Test CER
	type: cer
	value: 2.88
	- name: Test WER (+LM)
	type: wer
	value: 9.57
	- name: Test CER (+LM)
	type: cer
	value: 2.24
	- task:
	name: Automatic Speech Recognition
	type: automatic-speech-recognition
	dataset:
	name: Robust Speech Event - Dev Data
	type: speech-recognition-community-v2/dev_data
	args: ru
	metrics:
	- name: Dev WER
	type: wer
	value: 40.22
	- name: Dev CER
	type: cer
	value: 14.8
	- name: Dev WER (+LM)
	type: wer
	value: 33.61
	- name: Dev CER (+LM)
	type: cer
	value: 13.5
	---

	# Fine-tuned XLSR-53 large model for speech recognition in Russian

	Fine-tuned [facebook/wav2vec2-large-xlsr-53](https://huggingface.co/facebook/wav2vec2-large-xlsr-53) on Russian using the train and validation splits of [Common Voice 6.1](https://huggingface.co/datasets/common_voice) and [CSS10](https://github.com/Kyubyong/css10).
	When using this model, make sure that your speech input is sampled at 16kHz.

	This model has been fine-tuned thanks to the GPU credits generously given by the [OVHcloud](https://www.ovhcloud.com/en/public-cloud/ai-training/) :)

	The script used for training can be found here: https://github.com/jonatasgrosman/wav2vec2-sprint

	## Usage

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

	Using the [HuggingSound](https://github.com/jonatasgrosman/huggingsound) library:

	```python
	from huggingsound import SpeechRecognitionModel

	model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-russian")
	audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]

	transcriptions = model.transcribe(audio_paths)
	```

	Writing your own inference script:

	```python
	import torch
	import librosa
	from datasets import load_dataset
	from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

	LANG_ID = "ru"
	MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-russian"
	SAMPLES = 5

	test_dataset = load_dataset("common_voice", LANG_ID, split=f"test[:{SAMPLES}]")

	processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)
	model = Wav2Vec2ForCTC.from_pretrained(MODEL_ID)

	# Preprocessing the datasets.
	# We need to read the audio files as arrays
	def speech_file_to_array_fn(batch):
	speech_array, sampling_rate = librosa.load(batch["path"], sr=16_000)
	batch["speech"] = speech_array
	batch["sentence"] = batch["sentence"].upper()
	return batch

	test_dataset = test_dataset.map(speech_file_to_array_fn)
	inputs = processor(test_dataset["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)
	predicted_sentences = processor.batch_decode(predicted_ids)

	for i, predicted_sentence in enumerate(predicted_sentences):
	print("-" * 100)
	print("Reference:", test_dataset[i]["sentence"])
	print("Prediction:", predicted_sentence)
	```

	\| Reference \| Prediction \|
	\| ------------- \| ------------- \|
	\| ОН РАБОТАТЬ, А ЕЕ НЕ УДЕРЖАТЬ НИКАК — БЕГАЕТ ЗА КЛЁШЕМ КАЖДОГО БУЛЬВАРНИКА. \| ОН РАБОТАТЬ А ЕЕ НЕ УДЕРЖАТ НИКАК БЕГАЕТ ЗА КЛЕШОМ КАЖДОГО БУЛЬБАРНИКА \|
	\| ЕСЛИ НЕ БУДЕТ ВОЗРАЖЕНИЙ, Я БУДУ СЧИТАТЬ, ЧТО АССАМБЛЕЯ СОГЛАСНА С ЭТИМ ПРЕДЛОЖЕНИЕМ. \| ЕСЛИ НЕ БУДЕТ ВОЗРАЖЕНИЙ Я БУДУ СЧИТАТЬ ЧТО АССАМБЛЕЯ СОГЛАСНА С ЭТИМ ПРЕДЛОЖЕНИЕМ \|
	\| ПАЛЕСТИНЦАМ НЕОБХОДИМО СНАЧАЛА УСТАНОВИТЬ МИР С ИЗРАИЛЕМ, А ЗАТЕМ ДОБИВАТЬСЯ ПРИЗНАНИЯ ГОСУДАРСТВЕННОСТИ. \| ПАЛЕСТИНЦАМ НЕОБХОДИМО СНАЧАЛА УСТАНОВИТЬ С НИ МИР ФЕЗРЕЛЕМ А ЗАТЕМ ДОБИВАТЬСЯ ПРИЗНАНИЯ ГОСУДАРСТВЕНСКИ \|
	\| У МЕНЯ БЫЛО ТАКОЕ ЧУВСТВО, ЧТО ЧТО-ТО ТАКОЕ ОЧЕНЬ ВАЖНОЕ Я ПРИБАВЛЯЮ. \| У МЕНЯ БЫЛО ТАКОЕ ЧУВСТВО ЧТО ЧТО-ТО ТАКОЕ ОЧЕНЬ ВАЖНОЕ Я ПРЕДБАВЛЯЕТ \|
	\| ТОЛЬКО ВРЯД ЛИ ПОЙМЕТ. \| ТОЛЬКО ВРЯД ЛИ ПОЙМЕТ \|
	\| ВРОНСКИЙ, СЛУШАЯ ОДНИМ УХОМ, ПЕРЕВОДИЛ БИНОКЛЬ С БЕНУАРА НА БЕЛЬ-ЭТАЖ И ОГЛЯДЫВАЛ ЛОЖИ. \| ЗЛАЗКИ СЛУШАЮ ОТ ОДНИМ УХАМ ТЫ ВОТИ В ВИНОКОТ СПИЛА НА ПЕРЕТАЧ И ОКЛЯДЫВАЛ БОСУ \|
	\| К СОЖАЛЕНИЮ, СИТУАЦИЯ ПРОДОЛЖАЕТ УХУДШАТЬСЯ. \| К СОЖАЛЕНИЮ СИТУАЦИИ ПРОДОЛЖАЕТ УХУЖАТЬСЯ \|
	\| ВСЁ ЖАЛОВАНИЕ УХОДИЛО НА ДОМАШНИЕ РАСХОДЫ И НА УПЛАТУ МЕЛКИХ НЕПЕРЕВОДИВШИХСЯ ДОЛГОВ. \| ВСЕ ЖАЛОВАНИЕ УХОДИЛО НА ДОМАШНИЕ РАСХОДЫ И НА УПЛАТУ МЕЛКИХ НЕ ПЕРЕВОДИВШИХСЯ ДОЛГОВ \|
	\| ТЕПЕРЬ ДЕЛО, КОНЕЧНО, ЗА ТЕМ, ЧТОБЫ ПРЕВРАТИТЬ СЛОВА В ДЕЛА. \| ТЕПЕРЬ ДЕЛАЮ КОНЕЧНО ЗАТЕМ ЧТОБЫ ПРЕВРАТИТЬ СЛОВА В ДЕЛА \|
	\| ДЕВЯТЬ \| ЛЕВЕТЬ \|

	## Evaluation

	1. To evaluate on `mozilla-foundation/common_voice_6_0` with split `test`

	```bash
	python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-russian --dataset mozilla-foundation/common_voice_6_0 --config ru --split test
	```

	2. To evaluate on `speech-recognition-community-v2/dev_data`

	```bash
	python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-russian --dataset speech-recognition-community-v2/dev_data --config ru --split validation --chunk_length_s 5.0 --stride_length_s 1.0
	```

	## Citation
	If you want to cite this model you can use this:

	```bibtex
	@misc{grosman2021xlsr53-large-russian,
	title={Fine-tuned {XLSR}-53 large model for speech recognition in {R}ussian},
	author={Grosman, Jonatas},
	howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-russian}},
	year={2021}
	}
	```