语言: 希腊语(el) 数据集:

• 通用语音(common_voice)
• CSS10希腊语单说话人语音数据集 评估指标:
• 词错误率(wer)
• 字符错误率(cer) 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: V XLSR Wav2Vec2 Large 53 - 希腊语 结果:
  • 任务: 名称: 语音识别 类型: 自动语音识别 数据集: 名称: 通用语音希腊语(el) 类型: common_voice 参数: el 指标:
    • 名称: 测试词错误率 类型: wer 值: 18.996669
    • 名称: 测试字符错误率 类型: cer 值: 5.781874

Wav2Vec2-Large-XLSR-53-希腊语

基于facebook/wav2vec2-large-xlsr-53模型，使用通用语音和CSS10希腊语单说话人语音数据集对希腊语进行微调。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 torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

test_dataset = load_dataset("common_voice", "el", split="test[:2%]") #TODO: 将{lang_id}替换为你的语言代码。确保代码是[此链接](https://huggingface.co/languages)中的*ISO代码*之一。

processor = Wav2Vec2Processor.from_pretrained("vasilis/wav2vec2-large-xlsr-53-greek") #TODO: 将{model_id}替换为你的模型ID。模型ID由{your_username}/{your_modelname}组成，例如`elgeish/wav2vec2-large-xlsr-53-arabic`
model = Wav2Vec2ForCTC.from_pretrained("vasilis/wav2vec2-large-xlsr-53-greek") #TODO: 同上替换{model_id}

resampler = torchaudio.transforms.Resample(48_000, 16_000)

# 数据预处理
# 需要将音频文件读取为数组
def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler(speech_array).squeeze().numpy()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset["speech"][:2], 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)

print("预测:", processor.batch_decode(predicted_ids))
print("参考:", test_dataset["sentence"][:2])

评估

可以在通用语音的希腊语测试数据上评估该模型，如下所示：

import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re

test_dataset = load_dataset("common_voice", "el", split="test") #TODO: 将{lang_id}替换为你的语言代码。确保代码是[此链接](https://huggingface.co/languages)中的*ISO代码*之一。
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("vasilis/wav2vec2-large-xlsr-53-greek") #TODO: 同上替换{model_id}
model = Wav2Vec2ForCTC.from_pretrained("vasilis/wav2vec2-large-xlsr-53-greek") #TODO: 同上替换{model_id}
model.to("cuda")

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“]' # TODO: 根据数据中移除的特殊字符调整此列表

normalize_greek_letters = {"ς": "σ"}
# normalize_greek_letters = {"ά": "α", "έ": "ε", "ί": "ι", 'ϊ': "ι", "ύ": "υ", "ς": "σ", "ΐ": "ι", 'ϋ': "υ", "ή": "η", "ώ": "ω", 'ό': "ο"}
remove_chars_greek = {"a": "", "h": "", "n": "", "g": "", "o": "", "v": "", "e": "", "r": "", "t": "", "«": "", "»": "", "m": "", '́': '', "·": "", "’": "", '´': ""}
replacements = {**normalize_greek_letters, **remove_chars_greek}

resampler = {
    48_000: torchaudio.transforms.Resample(48_000, 16_000),
    44100: torchaudio.transforms.Resample(44100, 16_000),
    32000: torchaudio.transforms.Resample(32000, 16_000)
}


# 数据预处理
# 需要将音频文件读取为数组
def speech_file_to_array_fn(batch):
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
    for key, value in replacements.items():
        batch["sentence"] = batch["sentence"].replace(key, value)
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler[sampling_rate](speech_array).squeeze().numpy()
    return batch


test_dataset = test_dataset.map(speech_file_to_array_fn)

# 评估函数
def evaluate(batch):
    inputs = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)

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

    pred_ids = torch.argmax(logits, dim=-1)
    batch["pred_strings"] = processor.batch_decode(pred_ids)
    return batch

result = test_dataset.map(evaluate, batched=True, batch_size=8)

print("词错误率(WER): {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["sentence"])))
print("字符错误率(CER): {:2f}".format(100 * wer.compute(predictions=[" ".join(list(entry)) for entry in result["pred_strings"]], references=[" ".join(list(entry)) for entry in result["sentence"]])))

测试结果: 18.996669 %

训练过程

训练使用了通用语音的训练数据集以及全部经过文本标准化的CSS10希腊语数据。在文本预处理阶段，字母ς被标准化为σ，因为这两个字母发音相同，ς仅作为单词的结尾字符。因此，这种转换可以轻松映射到正确的听写形式。尝试去除所有字母的重音符号也显著提高了WER。模型在没有完全收敛的情况下，轻松达到了17%的WER。然而，后续需要更复杂的文本来修正转录。不过，语言模型应该能轻松解决这些问题。另一个可以尝试的方法是将所有ι、η等字母转换为单个字符，因为它们发音相同。类似地，o和ω也应该有助于显著改善声学模型部分，因为这些字符映射到相同的发音。但需要进一步的文本标准化处理。