robust-speech-event only tokenization

eval.py

@@ -0,0 +1,154 @@
+#!/usr/bin/env python3
+import argparse
+import re
+from typing import Dict
+
+from datasets import Audio, Dataset, load_dataset, load_metric
+
+from transformers import AutoFeatureExtractor, pipeline
+
+from pythainlp.tokenize import word_tokenize, syllable_tokenize
+from deepcut import tokenize as deepcut_word_tokenize
+from functools import partial
+
+
+def log_results(result: Dataset, args: Dict[str, str]):
+    """DO NOT CHANGE. This function computes and logs the result metrics."""
+
+    log_outputs = args.log_outputs
+    dataset_id = "_".join(args.dataset.split("/") + [args.config, args.split])
+
+    # load metric
+    wer = load_metric("wer")
+    cer = load_metric("cer")
+
+    # compute metrics
+    wer_result = wer.compute(references=result["target"], predictions=result["prediction"])
+    cer_result = cer.compute(references=result["target"], predictions=result["prediction"])
+
+    # print & log results
+    result_str = f"WER: {wer_result}\n" f"CER: {cer_result}"
+    print(result_str)
+
+    with open(f"robust-speech-event/{dataset_id}_eval_results_{args.thai_tokenizer}.txt", "w") as f:
+        f.write(result_str)
+
+    # log all results in text file. Possibly interesting for analysis
+    if log_outputs is not None:
+        pred_file = f"robust-speech-event/log_{dataset_id}_predictions_{args.thai_tokenizer}.txt"
+        target_file = f"robust-speech-event/log_{dataset_id}_targets_{args.thai_tokenizer}.txt"
+
+        with open(pred_file, "w") as p, open(target_file, "w") as t:
+
+            # mapping function to write output
+            def write_to_file(batch, i):
+                p.write(f"{i}" + "\n")
+                p.write(batch["prediction"] + "\n")
+                t.write(f"{i}" + "\n")
+                t.write(batch["target"] + "\n")
+
+            result.map(write_to_file, with_indices=True)
+
+
+def normalize_text(text: str, tok_func) -> str:
+    """DO ADAPT FOR YOUR USE CASE. this function normalizes the target text."""
+
+    chars_to_ignore_regex = '[,?.!\-\;\:"“%‘”�—’…–]'  # noqa: W605 IMPORTANT: this should correspond to the chars that were ignored during training
+
+    text = re.sub(chars_to_ignore_regex, "", text.lower())
+
+    # In addition, we can normalize the target text, e.g. removing new lines characters etc...
+    # note that order is important here!
+    token_sequences_to_ignore = ["\n\n", "\n", "   ", "  "]
+
+    for t in token_sequences_to_ignore:
+        text = " ".join(text.split(t))
+
+    #thai tokenize
+    text = " ".join(tok_func(text))
+    
+    return text
+
+def retokenize(text:str, tok_func) -> str:
+    """tokenize and rejoin prediction outputs without cleaning"""
+    return " ".join(tok_func("".join(text.split())))
+
+
+def main(args):
+    # load dataset
+    dataset = load_dataset(args.dataset, args.config, split=args.split, use_auth_token=True)
+
+    # for testing: only process the first two examples as a test
+    dataset = dataset.select(range(10))
+
+    # load processor
+    feature_extractor = AutoFeatureExtractor.from_pretrained(args.model_id)
+    sampling_rate = feature_extractor.sampling_rate
+
+    # resample audio
+    dataset = dataset.cast_column("audio", Audio(sampling_rate=sampling_rate))
+
+    # load eval pipeline
+    asr = pipeline("automatic-speech-recognition", model=args.model_id)
+
+    #select tokenizer
+    if args.thai_tokenizer=='deepcut':
+        tok_func = deepcut_word_tokenize
+    elif args.thai_tokenizer=='newmm':
+        tok_func = word_tokenize
+    elif args.thai_tokenizer=='syllable':
+        tok_func = syllable_tokenize
+    else:
+        raise('No Thai tokenizer chosen')
+    
+    # map function to decode audio
+    def map_to_pred(batch, tok_func):
+        prediction = asr(
+            batch["audio"]["array"], chunk_length_s=args.chunk_length_s, stride_length_s=args.stride_length_s
+        )
+
+        batch["prediction"] = retokenize(prediction["text"], tok_func)
+        batch["target"] = normalize_text(batch["sentence"], tok_func)
+        return batch
+
+    # run inference on all examples
+    result = dataset.map(partial(map_to_pred, tok_func=tok_func), 
+                         remove_columns=dataset.column_names)
+
+    # compute and log_results
+    # do not change function below
+    log_results(result, args)
+
+
+if __name__ == "__main__":
+    parser = argparse.ArgumentParser()
+
+    parser.add_argument(
+        "--model_id", type=str, required=True, help="Model identifier. Should be loadable with 🤗 Transformers"
+    )
+    parser.add_argument(
+        "--thai_tokenizer", type=str, default="newmm",
+        required=True, help="newmm, syllable, or deepcut"
+    )    
+    parser.add_argument(
+        "--dataset",
+        type=str,
+        required=True,
+        help="Dataset name to evaluate the `model_id`. Should be loadable with 🤗 Datasets",
+    )
+    parser.add_argument(
+        "--config", type=str, required=True, help="Config of the dataset. *E.g.* `'en'`  for Common Voice"
+    )
+    parser.add_argument("--split", type=str, required=True, help="Split of the dataset. *E.g.* `'test'`")
+    parser.add_argument(
+        "--chunk_length_s", type=float, default=None, help="Chunk length in seconds. Defaults to 5 seconds."
+    )
+    parser.add_argument(
+        "--stride_length_s", type=float, default=None, help="Stride of the audio chunks. Defaults to 1 second."
+    )
+    parser.add_argument(
+        "--log_outputs", action="store_true", help="If defined, write outputs to log file for analysis."
+    )
+    args = parser.parse_args()
+
+    main(args)

robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_predictions_deepcut.txt

@@ -0,0 +1,20 @@
+0
+เรา เริ่มต้น ด้วย วิธี นี้
+1
+ส่ง ให้ ตรง นี้ แหละ โดโด้ บอก
+2
+หนทาง ที่ ดี ที่สุด ไป สู่ ความ มุ่ง หวัง ของ ฉัน คือ อะไร
+3
+คุณคง ว่าง มาก เลย สิ นะ
+4
+พรุ่ง นี้ เขา จะ มา ทำ ถนน หน้า บ้าน นะ อาจ จะ เสียง ดัง หน่อย
+5
+ฉัน พินิจ ใน จินตนาการ ของ ฉัน
+6
+เรา มา จาก จังหวัดละยอง
+7
+เคลวินฟาเรนไฮต์ หรือ เซลเซียส ซึ่ง เป็น หน่วย อุณหภูมิ ที่ ดี ที่สุด
+8
+และ มัน ก็ เป็น ความ จริง
+9
+วิธี การ สร้าง ช่อ ดอก ไม้ ที่ กิน ได้

robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_predictions_newmm.txt

@@ -0,0 +1,20 @@
+0
+เรา เริ่มต้น ด้วย วิธี นี้
+1
+ส่ง ให้ ตรง นี้แหละ โด โด้ บอก
+2
+หนทาง ที่ ดี ที่สุด ไป สู่ ความ มุ่งหวัง ของ ฉัน คือ อะไร
+3
+คุณ คง ว่าง มาก เลย สิ นะ
+4
+พรุ่งนี้ เขา จะ มา ทำ ถนน หน้าบ้าน นะ อาจจะ เสียงดัง หน่อย
+5
+ฉัน พินิจ ในจินตนาการ ของ ฉัน
+6
+เรา มาจาก จังหวัด ละ ยอง
+7
+เค ล วิน ฟา เร น ไฮ ต์ หรือ เซลเซียส ซึ่ง เป็น หน่วย อุณหภูมิ ที่ ดี ที่สุด
+8
+และ มัน ก็ เป็น ความจริง
+9
+วิธีการ สร้าง ช่อดอกไม้ ที่ กิน ได้

robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_predictions_syllable.txt

@@ -0,0 +1,20 @@
+0
+เรา เริ่ม ต้น ด้วย วิ ธี นี้
+1
+ส่ง ให้ ตรง นี้ แหละ โด โด้ บอก
+2
+หน ทาง ที่ ดี ที่ สุด ไป สู่ ความ มุ่ง หวัง ของ ฉัน คือ อะ ไร
+3
+คุณ คง ว่าง มาก เลย สิ นะ
+4
+พรุ่ง นี้ เขา จะ มา ทำ ถนน หน้า บ้าน นะ อาจ จะ เสียง ดัง หน่อย
+5
+ฉัน พิ นิจ ใน จินต นา การ ของ ฉัน
+6
+เรา มา จาก จัง หวัด ละ ยอง
+7
+เค ล วิน ฟา เร น ไฮ ต์ หรือ เซล เซียส ซึ่ง เป็น หน่วย อุณห ภูมิ ที่ ดี ที่ สุด
+8
+และ มัน ก็ เป็น ความ จริง
+9
+วิ ธี การ สร้าง ช่อ ดอก ไม้ ที่ กิน ได้

robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_targets_deepcut.txt

@@ -0,0 +1,20 @@
+0
+เรา เริ่มต้น ด้วย วิธี นี้
+1
+ส่ง ให้ ตรง นี้ แหละ   โดโด้ บอก
+2
+หนทาง ที่ ดี ที่สุด ไป สู่ ความ มุ่ง หวัง ของ ฉัน คือ อะไร
+3
+คุณคง ว่าง มาก เลย สิ นะ
+4
+พรุ่ง นี้ เขา จะ มา ทำ ถนน หน้า บ้าน นะ   อาจ จะ เสียง ดัง หน่อย
+5
+ฉัน พินิจ ใน จินตนาการ ของ ฉัน
+6
+เรา มา จาก จังหวัดระยอง
+7
+เคลวินฟาเรนไฮต์ หรือ เซลเซียส ซึ่ง เป็น หน่วย อุณหภูมิ ที่ ดี ที่สุด
+8
+และ มัน ก็ เป็น ความ จริง
+9
+วิธี การ สร้าง ช่อ ดอก ไม้ ที่ กิน ได้

robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_targets_newmm.txt

@@ -0,0 +1,20 @@
+0
+เรา เริ่มต้น ด้วย วิธี นี้
+1
+ส่ง ให้ ตรง นี้แหละ   โด โด้ บอก
+2
+หนทาง ที่ ดี ที่สุด ไป สู่ ความ มุ่งหวัง ของ ฉัน คือ อะไร
+3
+คุณ คง ว่าง มาก เลย สิ นะ
+4
+พรุ่งนี้ เขา จะ มา ทำ ถนน หน้าบ้าน นะ   อาจจะ เสียงดัง หน่อย
+5
+ฉัน พินิจ ในจินตนาการ ของ ฉัน
+6
+เรา มาจาก จังหวัด ระยอง
+7
+เค ล วิน ฟา เร น ไฮ ต์ หรือ เซลเซียส ซึ่ง เป็น หน่วย อุณหภูมิ ที่ ดี ที่สุด
+8
+และ มัน ก็ เป็น ความจริง
+9
+วิธีการ สร้าง ช่อดอกไม้ ที่ กิน ได้

robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_targets_syllable.txt

@@ -0,0 +1,20 @@
+0
+เรา เริ่ม ต้น ด้วย วิ ธี นี้
+1
+ส่ง ให้ ตรง นี้ แหละ   โด โด้ บอก
+2
+หน ทาง ที่ ดี ที่ สุด ไป สู่ ความ มุ่ง หวัง ของ ฉัน คือ อะ ไร
+3
+คุณ คง ว่าง มาก เลย สิ นะ
+4
+พรุ่ง นี้ เขา จะ มา ทำ ถนน หน้า บ้าน นะ   อาจ จะ เสียง ดัง หน่อย
+5
+ฉัน พิ นิจ ใน จินต นา การ ของ ฉัน
+6
+เรา มา จาก จัง หวัด ระ ยอง
+7
+เค ล วิน ฟา เร น ไฮ ต์ หรือ เซล เซียส ซึ่ง เป็น หน่วย อุณห ภูมิ ที่ ดี ที่ สุด
+8
+และ มัน ก็ เป็น ความ จริง
+9
+วิ ธี การ สร้าง ช่อ ดอก ไม้ ที่ กิน ได้

robust-speech-event/mozilla-foundation_common_voice_7_0_th_test_eval_results_deepcut.txt

@@ -0,0 +1,2 @@
+WER: 0.012345679012345678
+CER: 0.0026041666666666665

robust-speech-event/mozilla-foundation_common_voice_7_0_th_test_eval_results_newmm.txt

@@ -0,0 +1,2 @@
+WER: 0.02531645569620253
+CER: 0.005235602094240838

robust-speech-event/mozilla-foundation_common_voice_7_0_th_test_eval_results_syllable.txt

@@ -0,0 +1,2 @@
+WER: 0.009523809523809525
+CER: 0.0024509803921568627