klaam

klaam

Reconocimiento de voz en árabe, clasificación y texto a voz utilizando muchos modelos avanzados como Wave2VEC y FastSpeech2. Este repositorio permite la capacitación y la predicción utilizando modelos previos a la aparición.

1. Uso

1.1 Clasificación del habla

 from klaam import SpeechClassification
model = SpeechClassification ()
model . classify ( wav_file )

1.2 Recongnición del discurso

 from klaam import SpeechRecognition
model = SpeechRecognition ()
model . transcribe ( wav_file )

1.3 Texto al habla

 from klaam import TextToSpeech
prepare_tts_model_path = "../cfgs/FastSpeech2/config/Arabic/preprocess.yaml"
model_config_path = "../cfgs/FastSpeech2/config/Arabic/model.yaml"
train_config_path = "../cfgs/FastSpeech2/config/Arabic/train.yaml"
vocoder_config_path = "../cfgs/FastSpeech2/model_config/hifigan/config.json"
speaker_pre_trained_path = "../data/model_weights/hifigan/generator_universal.pth.tar"

model = TextToSpeech ( prepare_tts_model_path , model_config_path , train_config_path , vocoder_config_path , speaker_pre_trained_path )

model . synthesize ( sample_text )

Hay dos modelos avilables para el reconocimiento tragetiendo el árabe estándar moderno (MSA) y el dialecto egipcio (EGY). Puede configurar cualquiera de ellos usando el atributo lang .

 from klaam import SpeechRecognition
model = SpeechRecognition ( lang = 'msa' )
model . transcribe ( 'file.wav' )

2. Conjuntos de datos

Conjunto de datos	Descripción	Enlace
MGB-3	Reconocimiento del habla árabe egipcio en la naturaleza. Cada oración fue anotada por cuatro anotadores. Se han recogido más de 15 horas de YouTube.	Aquí [requerido el registro]
ADI-5	Más de 50 horas recolectadas de Aljazeera TV. 4 Dialectal regional: egipcio (Egy), levantino (LAV), Golfo (GLF), África del Norte (NOR) y árabe estándar moderno (MSA). Este conjunto de datos es parte del desafío MGB-3.	Aquí [requerido el registro]
Voz común	Conjunto de datos multlilingüe Avilable en Huggingface	aquí.
Corpus del habla árabe	Conjunto de datos árabe con alineación y transcripciones	aquí.

3. Modelos

Actualmente, nuestro proyecto admite cuatro modelos, tres de ellos están avilables en Transformers.

Idioma	Descripción	Fuente
egipcio	Reconocimiento de voz	WAV2VEC2-LARGE-XLSR-53-ARABIC-EGIPIPO
Árabe estándar	Reconocimiento de voz	WAV2VEC2-LARGE-XLSR-53-árabe
Egy, Nor, Lav, GLF, MSA	Clasificación del habla	WAV2VEC2-LARGE-XLSR-DIALECT-Clasificación
Árabe estándar	Texto a voz	FastSpeech2

4. Ejemplo de cuadernos

Nombre	Descripción	Computadora portátil
Manifestación	Clasificación, recongación y texto a voz en algunas líneas de código.
Demostración con micrófono	Recongación de audio y clasificación con grabación.

5. Entrenamiento

Los scripts son una modificación de JQueguiner/WAV2VEC2-SPRINT.

5.1. Clasificación

Este script se utiliza para la tarea de clasificación en las 5 clases.

python run_classifier.py 
    --model_name_or_path= " facebook/wav2vec2-large-xlsr-53 " 
    --output_dir=/path/to/output 
    --cache_dir=/path/to/cache/ 
    --freeze_feature_extractor 
    --num_train_epochs= " 50 " 
    --per_device_train_batch_size= " 32 " 
    --preprocessing_num_workers= " 1 " 
    --learning_rate= " 3e-5 " 
    --warmup_steps= " 20 " 
    --evaluation_strategy= " steps " 
    --save_steps= " 100 " 
    --eval_steps= " 100 " 
    --save_total_limit= " 1 " 
    --logging_steps= " 100 " 
    --do_eval 
    --do_train 

5.2. Reconocimiento

Este script es para capacitar en el conjunto de datos para que se prableen en el conjunto de datos de dialectos egiption.

python run_mgb3.py 
    --model_name_or_path= " facebook/wav2vec2-large-xlsr-53 " 
    --output_dir=/path/to/output 
    --cache_dir=/path/to/cache/ 
    --freeze_feature_extractor 
    --num_train_epochs= " 50 " 
    --per_device_train_batch_size= " 32 " 
    --preprocessing_num_workers= " 1 " 
    --learning_rate= " 3e-5 " 
    --warmup_steps= " 20 " 
    --evaluation_strategy= " steps " 
    --save_steps= " 100 " 
    --eval_steps= " 100 " 
    --save_total_limit= " 1 " 
    --logging_steps= " 100 " 
    --do_eval 
    --do_train 

Este guión se puede utilizar para el entrenamiento de voz común en árabe

python run_common_voice.py 
    --model_name_or_path= " facebook/wav2vec2-large-xlsr-53 " 
    --dataset_config_name= " ar " 
    --output_dir=/path/to/output/ 
    --cache_dir=/path/to/cache 
    --overwrite_output_dir 
    --num_train_epochs= " 1 " 
    --per_device_train_batch_size= " 32 " 
    --per_device_eval_batch_size= " 32 " 
    --evaluation_strategy= " steps " 
    --learning_rate= " 3e-4 " 
    --warmup_steps= " 500 " 
    --fp16 
    --freeze_feature_extractor 
    --save_steps= " 10 " 
    --eval_steps= " 10 " 
    --save_total_limit= " 1 " 
    --logging_steps= " 10 " 
    --group_by_length 
    --feat_proj_dropout= " 0.0 " 
    --layerdrop= " 0.1 " 
    --gradient_checkpointing 
    --do_train --do_eval 
    --max_train_samples 100 --max_val_samples 100

5.3. Texto a discurso

Utilizamos la implementación de Pytorch de FastSpeech2 por Ming024.

El procedimiento es como el siguiente:

1. Descargue el conjunto de datos y descomprima.

 wget http://en.arabicspeechcorpus.com/arabic-speech-corpus.zip
unzip arabic-speech-corpus.zip

2. Crear múltiples directorios para datos

 mkdir -p raw_data/Arabic/Arabic preprocessed_data/Arabic/TextGrid/Arabic
cp arabic-speech-corpus/textgrid/* preprocessed_data/Arabic/TextGrid/Arabic

3. Preparar metadatos

 import os
base_dir = '/content/arabic-speech-corpus'
lines = []
for lab_file in os . listdir ( f' { base_dir } /lab' ):
  lines . append ( lab_file [: - 4 ] + '|' + open ( f' { base_dir } /lab/ { lab_file } ' , 'r' ). read ())


open ( f' { base_dir } /metadata.csv' , 'w' ). write (( ' n ' ). join ( lines ))

4. Clonar mi repositorio (FastSpeech2) e instalar las dependencias requeridas.

git clone --depth 1 https://github.com/zaidalyafeai/FastSpeech2
cd FastSpeech2
pip install -r requirements.txt

5. Prepare alineaciones y datos preparados.

 python3 prepare_align.py config/Arabic/preprocess.yaml
python3 preprocess.py config/Arabic/preprocess.yaml

6. Vocodadores descomprimidos.

 unzip hifigan/generator_LJSpeech.pth.tar.zip -d hifigan
unzip hifigan/generator_universal.pth.tar.zip -d hifigan

7. Comience el entrenamiento.

 python3 train.py -p config/Arabic/preprocess.yaml -m config/Arabic/model.yaml -t config/Arabic/train.yaml

Este repositorio fue creado por el equipo ARBML. Si tiene alguna sugerencia o contribución, no dude en hacer una solicitud de extracción.