语言: 中文
数据集:

• aishell1
  评估指标:
• wer
  标签:
• 音频
• 自动语音识别
• 语音
• xlsr微调周
  许可证: apache-2.0
  模型索引:
• 名称: XLSR Wav2Vec2 Large 53 - 中文 (zh-CN), 作者 Yue Qin
  结果:
  • 任务:
    名称: 语音识别
    类型: 自动语音识别
    数据集:
    名称: AISHELL-1 zh-CN
    类型: aishell1
    参数: zh-CN
    指标:
    • 名称: 测试 WER
      类型: wer
      值: 7.04

Wav2Vec2-Large-XLSR-53-中文-zh-CN-aishell1

基于facebook/wav2vec2-large-xlsr-53在中文AISHELL-1数据集上微调。
使用该模型时，请确保语音输入采样率为16kHz。

使用方法

该模型可直接使用（无需语言模型），如下所示：

import torch  
import librosa  
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor  

device = "cuda:0" if torch.cuda.is_available() else "cpu"  

processor = Wav2Vec2Processor.from_pretrained(  
    'qinyue/wav2vec2-large-xlsr-53-chinese-zn-cn-aishell1')  
model = Wav2Vec2ForCTC.from_pretrained(  
    'qinyue/wav2vec2-large-xlsr-53-chinese-zn-cn-aishell1').to(device)  

filepath = 'test.wav'  
audio, sr = librosa.load(filepath, sr=16000, mono=True)  
inputs = processor(audio, sample_rate=16000, return_tensors="pt").to(device)  
with torch.no_grad():  
    logits = model(inputs.input_values,  
                   attention_mask=inputs.attention_mask).logits  
predicted_ids = torch.argmax(logits, dim=-1)  
pred_str = processor.decode(predicted_ids[0])  

print(pred_str)  

评估

wer_metric = load_metric("wer")  

def compute_metrics(pred):  
    pred_logits = pred.predictions  
    pred_ids = np.argmax(pred_logits, axis=-1)  

    pred.label_ids[pred.label_ids == -100] = processor.tokenizer.pad_token_id  

    pred_str = processor.batch_decode(pred_ids, spaces_between_special_tokens=True)  
    label_str = processor.batch_decode(pred.label_ids, group_tokens=False, spaces_between_special_tokens=True)  

    wer = wer_metric.compute(predictions=pred_str, references=label_str)  

    return {"wer": wer}  

结果

测试结果:

下表展示了模型在AISHELL-1测试集上的词错误率(WER)。