语言: 加泰罗尼亚语
数据集:

• 通用语音库
• 议会语音库
  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: Apache-2.0
  模型索引:
• 名称: 加泰罗尼亚语XLSR Wav2Vec2大型模型
  结果:
  • 任务:
    名称: 语音识别
    类型: 自动语音识别
    数据集:
    • 名称: 通用语音库加泰罗尼亚语版
      类型: 通用语音库
      参数: ca
    • 名称: 议会语音库
      网址: https://www.openslr.org/59/
      评估指标:
    • 名称: 测试集词错误率
      类型: WER
      值: 6.92
    • 名称: 谷歌众包语料库词错误率
      类型: WER
      值: 12.99
    • 名称: 有声书《圣乔治传说》词错误率
      类型: WER
      值: 13.23

Wav2Vec2大型XLSR加泰罗尼亚语版

基于facebook/wav2vec2-large-xlsr-53模型，使用通用语音库和议会语音库的加泰罗尼亚语数据进行了微调。

注意： 所使用的训练集/开发集/测试集划分并未完全对应通用语音库6.1版本。采用了结合通用语音库和议会语音库的自定义划分方案，具体可见此处。若在通用语音库测试集上评估会产生偏差，因为该数据集中有1144个音频文件曾被用于本模型的训练/评估过程。词错误率是基于模型在训练/评估阶段从未接触过的测试集计算的。

训练和评估脚本可在GitHub仓库ccoreilly/wav2vec2-catala中找到。

使用本模型时，请确保语音输入采样率为16kHz。

评估结果

在以下模型未接触过的数据集上评估的词错误率：

使用方式

无需语言模型即可直接使用：

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

test_dataset = load_dataset("common_voice", "ca", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("ccoreilly/wav2vec2-large-xlsr-catala") 
model = Wav2Vec2ForCTC.from_pretrained("ccoreilly/wav2vec2-large-xlsr-catala")

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