klaam
1.0.0
Арабское распознавание речи, классификация и текст в речь с использованием многих передовых моделей, таких как Wave2VEC и Fastspeech2. Этот репозиторий позволяет обучать и прогнозировать с использованием предварительно проведенных моделей.
from klaam import SpeechClassification
model = SpeechClassification ()
model . classify ( wav_file ) from klaam import SpeechRecognition
model = SpeechRecognition ()
model . transcribe ( wav_file ) 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 ) Существует две модели для признания трагирования современного стандартного арабского (MSA) и египетского диалекта (Egy). Вы можете установить любой из них, используя атрибут lang .
from klaam import SpeechRecognition
model = SpeechRecognition ( lang = 'msa' )
model . transcribe ( 'file.wav' )| Набор данных | Описание | Связь |
|---|---|---|
| MGB-3 | Познавление египетской арабской речи в дикой природе. Каждое предложение было аннотировано четырьмя аннотаторами. Более 15 часов было собрано с YouTube. | Здесь [требуется регистрация] |
| Ади-5 | Более 50 часов, собранных с Aljazeera TV. 4 Региональный диалект: египетский (Еги), Левантин (Лав), залив (GLF), Северная Африка (NOR) и современный стандартный арабский язык (MSA). Этот набор данных является частью вызова MGB-3. | Здесь [требуется регистрация] |
| Общий голос | Многоязычный набор данных Avilable on guggingface | здесь. |
| Арабский речевой корпус | Арабский набор данных с выравниванием и транскрипциями | здесь. |
Наш проект в настоящее время поддерживает четыре модели, три из них поддаются трансформаторам.
| Язык | Описание | Источник |
|---|---|---|
| Египетский | Распознавание речи | wav2vec2-large-xlsr-53-arabic-egyptian |
| Стандартный арабский | Распознавание речи | wav2vec2-large-xlsr-53-arabic |
| Еги, Нор, Лав, GLF, MSA | Речевая классификация | WAV2VEC2-LARGE-XLSR-DIALECT-CLASSICation |
| Стандартный арабский | Текст в речь | Fastspeech2 |
| Имя | Описание | Блокнот |
|---|---|---|
| Демо | Классификация, переработка и текст в речь в нескольких строках кода. | |
| Демо с микрофоном | Аудиореагирование и классификация с записи. |
Сценарии представляют собой модификацию jqueguiner/wav2vec2-sprint.
Этот скрипт используется для задачи классификации в 5 классах.
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 Этот скрипт предназначен для обучения в наборе данных для предварительной подготовки на наборе данных диалектов Egyption.
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 Этот сценарий можно использовать для арабского общего голоса обучения
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 100Мы используем реализацию Pytorch Fastspeech2 с помощью Ming024.
Процедура как следующая:
wget http://en.arabicspeechcorpus.com/arabic-speech-corpus.zip
unzip arabic-speech-corpus.zip
mkdir -p raw_data/Arabic/Arabic preprocessed_data/Arabic/TextGrid/Arabic
cp arabic-speech-corpus/textgrid/* preprocessed_data/Arabic/TextGrid/Arabic
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 ))git clone --depth 1 https://github.com/zaidalyafeai/FastSpeech2
cd FastSpeech2
pip install -r requirements.txt python3 prepare_align.py config/Arabic/preprocess.yaml
python3 preprocess.py config/Arabic/preprocess.yaml
unzip hifigan/generator_LJSpeech.pth.tar.zip -d hifigan
unzip hifigan/generator_universal.pth.tar.zip -d hifigan
python3 train.py -p config/Arabic/preprocess.yaml -m config/Arabic/model.yaml -t config/Arabic/train.yaml
Этот репозиторий был создан командой ARBML. Если у вас есть какие -либо предложения или вклад, не стесняйтесь сделать запрос на вытягивание.
