语言: 加泰罗尼亚语
数据集:

• 公共语音 (Common Voice)
• 议会发言 (ParlamentParla)
  评估指标:
• 词错误率 (WER)
  标签:
• 音频
• 自动语音识别
• 语音
• 语音转文本
  许可证: Apache-2.0
  模型索引:
• 名称: 加泰罗尼亚语 VoxPopuli Wav2Vec2 大模型
  结果:
  • 任务:
    名称: 语音识别
    类型: 自动语音识别
    数据集:
    • 名称: 公共语音加泰罗尼亚语
      类型: common_voice
      参数: ca
    • 名称: ParlamentParla
      网址: https://www.openslr.org/59/
      评估指标:
    • 名称: 测试集词错误率
      类型: wer
      值: 5.98
    • 名称: 谷歌众包语料库词错误率
      类型: wer
      值: 12.14
    • 名称: 有声书《圣乔治传说》词错误率
      类型: wer
      值: 12.02

Wav2Vec2-Large-100k-VoxPopuli-加泰罗尼亚语

基于facebook/wav2vec2-large-100k-voxpopuli模型，使用公共语音和ParlamentParla数据集对加泰罗尼亚语进行微调。

注意: 训练/开发/测试集的划分并未完全映射到CommonVoice 6.1数据集。采用了结合CommonVoice和ParlamentParla数据集的定制划分方案，详见此处。若在CV测试集上评估会产生偏差词错误率，因该数据集中有1144个音频文件已用于本模型的训练/评估过程。词错误率基于模型未接触过的测试集文件计算。

训练和评估脚本详见GitHub仓库ccoreilly/wav2vec2-catala

使用本模型时，请确保语音输入采样率为16kHz。

评估结果

在以下未见数据集上评估的词错误率：

使用方式

可直接使用本模型（无需语言模型）如下：

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-100k-voxpopuli-catala")   
model = Wav2Vec2ForCTC.from_pretrained("ccoreilly/wav2vec2-large-100k-voxpopuli-catala")  

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

# 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 = 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])