README.md

metadata

language: ka
datasets:
  - common_voice
tags:
  - audio
  - automatic-speech-recognition
  - speech
  - xlsr-fine-tuning-week
license: apache-2.0
widget:
  - label: Common Voice sample 566
    src: >-
      https://huggingface.co/m3hrdadfi/wav2vec2-large-xlsr-georgian/resolve/main/sample566.flac
  - label: Common Voice sample 95
    src: >-
      https://huggingface.co/m3hrdadfi/wav2vec2-large-xlsr-georgian/resolve/main/sample95.flac
model-index:
  - name: XLSR Wav2Vec2 Georgian by Mehrdad Farahani
    results:
      - task:
          name: Speech Recognition
          type: automatic-speech-recognition
        dataset:
          name: Common Voice ka
          type: common_voice
          args: ka
        metrics:
          - name: Test WER
            type: wer
            value: 54

Wav2Vec2-Large-XLSR-53 Georgian

Fine-tuned facebook/wav2vec2-large-xlsr-53 in Georgian using 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:

!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

import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

import librosa

import pandas as pd
import numpy as np

import random
import os
import string
import six
import re

import IPython.display as ipd

# Loading the datasets
dataset = load_dataset("common_voice", "ka", split="test")
print(dataset)

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
processor = Wav2Vec2Processor.from_pretrained("m3hrdadfi/wav2vec2-large-xlsr-georgian")
model = Wav2Vec2ForCTC.from_pretrained("m3hrdadfi/wav2vec2-large-xlsr-georgian").to(device)


# Preprocessing the datasets.
chars_to_ignore_regex = f"""[{"".join([
    ",", "?", ".", "!", "-", ";", ":", '""', "%", "'", '"', "�",
    "#", "!", "?", "«", "»", "(", ")", "؛", ",", "?", ".", "!", "-", ";", ":", '"', 
    "“", "%", "‘", "�", "–", "…", "_", "”", '“', '„'
])}]"""

def remove_special_characters(text, chars_to_ignore):
    text = re.sub(chars_to_ignore, '', text).lower() + " "
    return text

def normalizer(batch, chars_to_ignore):
    text = batch["sentence"]
    text = remove_special_characters(text, chars_to_ignore)
    batch["sentence"] = text
    return batch

# We need to read the aduio files as arrays
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

dataset = dataset.map(normalizer, fn_kwargs={"chars_to_ignore": chars_to_ignore_regex})
dataset = dataset.map(speech_file_to_array_fn, remove_columns=list(set(dataset.column_names) - set(['sentence', 'path'])))
result = dataset.map(predict)

Prediction

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('---')

reference: ადმინისტრაციული ცენტრი ქალაქი იმიშლი 
predicted: ადმინისტრაციული ცენტრი ქალაქი იმიშლი
---
reference: დაიბადა ადვოკატის ოჯახში 
predicted: აიბადა ადმოკატის ოჯახში
---
reference: აღსანიშნავია რომ სიმღერა წარმოადგენს პოლ მაკკარტნისა და ჯორჯ ჰარისონის იშვიათ ვოკალურ დუეტს 
predicted: აღსენიშნავიარო სიმღე რაწარმოადგემს ბოლ მაკარდნის და ჯორჩხარისონის იშვიად ვოკალურ დუეთს
---
reference: იკრძალებოდა წირვალოცვა ქართულ ენაზე 
predicted: იკრძალებოდე წირვა ლოცვა ქართულ ენაზე
---
reference: აღმართულია ვალესა და ბერნის კანტონების საზღვარზე 
predicted: აღმართულია ვალესა და ბერნის კანთონების საზღვარზე
---
reference: აქ იგი მიიწვიეს სამხატვრო აკადემიაში სადაც სიცოცხლის ბოლომდე ეწეოდა პედაგოგიურ მოღვაწეობას 
predicted: აქ იგი მიისწრვიეს სამხატრო აკადემი აშისა და ციცაცხლის ბოლომდე ეწყებობ და პედაგუდივირ მოყვაწევებას
---
reference: კლარისა თანხმდება შემოთავაზებაზე და ლექტერის დახმარებით სერიული მკვლელის კვალს დაადგება 
predicted: კლარის თან ხვდება შემუთავაზე ბაზე და ლექტერის დახმარებიც სერიური მკვლელის კველს დაადგებაა
---
reference: იბრძოდა ტყვეებით ვაჭრობის წინააღმდეგ 
predicted: დიბრძოტო ტყვეებით ვაჭრობის წინააღდეგ
---
reference: სათავსს აღმოსავლეთით და დასავლეთით თითო სარკმელი აქვს 
predicted: სათავს აღმოსაველეთი და დასავლეთ მთიდო სარკმელი აქვს
---
reference: იგი მდებარეობს ქალაქის ჩრდილოაღმოსავლეთ ნაწილში 
predicted: იგი მდებარეობს ქალაქის ჩრდილო აღმოსავლეთ ნაწილში
---

Evaluation

wer = load_metric("wer")

print("WER: {:.2f}".format(100 * wer.compute(predictions=result["predicted"], references=result["sentence"])))

Test Result:

• WER: 54.00%

Training & Report

The Common Voice train, validation datasets were used for training.

You can see the training states here

The script used for training can be found here