语言: 孟加拉语
数据集:

• OpenSLR
  评估指标:
• 词错误率 (wer)
  标签:
• 音频
• 自动语音识别
• 语音
• XLSR微调周
  许可协议: cc-by-sa-4.0
  模型索引:
• 名称: Tanmoy Sarkar的XLSR Wav2Vec2孟加拉语模型
  结果:
  • 任务:
    名称: 语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: OpenSLR
    类型: OpenSLR
    参数: ben
    评估指标:
    • 名称: 测试词错误率
      类型: wer
      值: 88.58

Wav2Vec2-Large-XLSR-孟加拉语

基于facebook/wav2vec2-large-xlsr-53模型，使用包含约19.6万条语句的孟加拉语ASR训练数据集进行微调。
使用该模型时，请确保语音输入采样率为16kHz。

使用方法

数据集需从此网站下载并进行相应预处理。例如，已选择1250条测试样本。

import pandas as pd  
test_dataset = pd.read_csv('utt_spk_text.tsv', sep='\\t', header=None)[60000:61250]  
test_dataset.columns = ["audio_path", "__", "label"]  
test_dataset = test_data.drop("__", axis=1)  
def add_file_path(text):  
  path = "data/" + text[:2] + "/" + text + '.flac'  
  return path  
test_dataset['audio_path'] = test_dataset['audio_path'].map(lambda x: add_file_path(x))  

该模型可直接使用（无需语言模型），示例如下：

import torch  
import torchaudio  
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor  
processor = Wav2Vec2Processor.from_pretrained("tanmoyio/wav2vec2-large-xlsr-bengali")  
model = Wav2Vec2ForCTC.from_pretrained("tanmoyio/wav2vec2-large-xlsr-bengali")  
resampler = torchaudio.transforms.Resample(48_000, 16_000)  

# 数据预处理  
def speech_file_to_array_fn(batch):  
  speech_array, sampling_rate = torchaudio.load(batch["audio_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("预测结果:", processor.batch_decode(predicted_ids))  
print("参考文本:", test_dataset["label"][:2])  

评估

可在OpenSLR的孟加拉语测试数据上评估模型性能：

import torch  
import torchaudio  
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor  
import re  
wer = load_metric("wer")  

processor = Wav2Vec2Processor.from_pretrained("tanmoyio/wav2vec2-large-xlsr-bengali")  
model = Wav2Vec2ForCTC.from_pretrained("tanmoyio/wav2vec2-large-xlsr-bengali")  
model.to("cuda")  
resampler = torchaudio.transforms.Resample(48_000, 16_000)  

# 数据预处理  
def speech_file_to_array_fn(batch):  
  batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["label"]).lower()  
  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)  

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: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["sentence"])))  

测试结果: 88.58%

训练

训练脚本详见孟加拉语ASR微调Wav2Vec2