语言: 英语 数据集:

• 通用语音
• Mozilla基金会/common_voice_6_0 评估指标:
• 词错误率(WER)
• 字错误率(CER) 标签:
• 音频
• 自动语音识别
• 英语
• HF-ASR排行榜
• Mozilla基金会/common_voice_6_0
• 鲁棒语音事件
• 语音
• XLSR微调周 许可证: Apache-2.0 模型索引:
• 名称: Jonatas Grosman的XLSR Wav2Vec2英语模型 结果:
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: 通用语音英语 类型: common_voice 参数: en 指标:
    • 名称: 测试WER 类型: wer 值: 19.06
    • 名称: 测试CER 类型: cer 值: 7.69
    • 名称: 测试WER (+语言模型) 类型: wer 值: 14.81
    • 名称: 测试CER (+语言模型) 类型: cer 值: 6.84
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: 鲁棒语音事件 - 开发数据 类型: speech-recognition-community-v2/dev_data 参数: en 指标:
    • 名称: 开发WER 类型: wer 值: 27.72
    • 名称: 开发CER 类型: cer 值: 11.65
    • 名称: 开发WER (+语言模型) 类型: wer 值: 20.85
    • 名称: 开发CER (+语言模型) 类型: cer 值: 11.01

Wav2Vec2-Large-XLSR-53-英语

基于facebook/wav2vec2-large-xlsr-53在英语通用语音数据集上的微调模型。使用该模型时，请确保语音输入采样率为16kHz。

本模型的微调得益于OVHcloud慷慨提供的GPU算力资源 :)

训练脚本详见: https://github.com/jonatasgrosman/wav2vec2-sprint

使用方式

该模型可直接使用（无需语言模型），如下所示...

使用HuggingSound库:

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-english")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]

transcriptions = model.transcribe(audio_paths)

自行编写推理脚本:

import torch
import librosa
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

LANG_ID = "en"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-english"
SAMPLES = 10

test_dataset = load_dataset("common_voice", LANG_ID, split=f"test[:{SAMPLES}]")

processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)
model = Wav2Vec2ForCTC.from_pretrained(MODEL_ID)

# 数据预处理
# 需将音频文件读取为数组
def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = librosa.load(batch["path"], sr=16_000)
    batch["speech"] = speech_array
    batch["sentence"] = batch["sentence"].upper()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)

with torch.no_grad():
    logits = model(inputs.input_values, attention_mask=inputs.attention_mask).logits

predicted_ids = torch.argmax(logits, dim=-1)
predicted_sentences = processor.batch_decode(predicted_ids)

for i, predicted_sentence in enumerate(predicted_sentences):
    print("-" * 100)
    print("参考文本:", test_dataset[i]["sentence"])
    print("预测结果:", predicted_sentence)

评估

1. 在mozilla-foundation/common_voice_6_0的test集上评估

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-english --dataset mozilla-foundation/common_voice_6_0 --config en --split test

2. 在speech-recognition-community-v2/dev_data上评估

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-english --dataset speech-recognition-community-v2/dev_data --config en --split validation --chunk_length_s 5.0 --stride_length_s 1.0

引用

如需引用该模型，请使用:

@misc{grosman2021wav2vec2-large-xlsr-53-english,
  title={Jonatas Grosman的XLSR Wav2Vec2英语模型},
  author={Grosman, Jonatas},
  publisher={Hugging Face},
  journal={Hugging Face Hub},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-english}},
  year={2021}
}